et al. Ruimtelijke analyses van dichtheden en trends van ... · ZKN = Zeekleigebied Noord, HZN =...

Christian Kampichler, Henk Sierdsema, Maja Roodbergen

& Bruno J. Ens

Sovon-rapport 2013/08

Ruimtelijke analyses van dichtheden en trends van binnendijks broedende Scholeksters

Kampichler et al.





Christian Kampichler, Henk Sierdsema, Maja Roodbergen en Bruno J. Ens

SOVON-rapport 2013-08Dit rapport is samengesteld

in opdracht van Vogelbescherming Nederland

Colofon

© Sovon Vogelonderzoek Nederland 2013

Dit rapport is samengesteld in opdracht van Vogelbescherming Nederland

Illustratie omslag: Peter Eekelder & Hans Gebuis (Scholeksters op hek)

Wijze van citeren: Christian Kampichler, Henk Sierdsema, Maja Roodbergen en Bruno J. Ens, 2013. Ruimtelijke analy-ses van dichtheden en trends van binnendijks broedende Scholeksters. Sovon-rapport 2013-08. Sovon Vogelonderzoek Nederland, Nijmegen


3

Inhoud

Samenvatting 4

1. Inleiding 5

2. Methodiek & basisinformatie 7 2.1. Gegevensbronnen 7 2.2. Analyse trends en randvoorwaarden 14 2.2.1 Databewerking 14 2.2.2 Analyse van huidige dichtheid en trends 15

3. Resultaten 17 3.1. Huidige dichtheden 17 3.1.1 Ruimtelijke correlatie van de gegevens 17 3.1.2 Model met alle verklarende variabelen (“Compleet model” (Model I)) 17 3.1.3 Model met geografische variabelen en analyse van de residuen (“Geografisch model” (Model II)) 18 3.2. Verandering in aantal (“Trend”) 23 3.2.1 Ruimtelijke afhankelijkheid van de gegevens 25 3.2.2 Model met alle verklarende variabelen (“Compleet model”) 25 3.2.3 Model met alleen geografische variabelen en analyse van de residuen (“Geografisch model”) 26

4. Discussie 29

5. Conclusies 33

6. Literatuur 35

Bijlagen Bijlage A. Bijlage I. Toelichting kernel-density berekeningen Bijlage II. Modelevaluatie Bijlage III. Voorbeeld voor een partial dependence plot Bijlage IV. Evaluatie van het “complete model” voor huidige dichtheden Bijlage V. Evaluatie van het “geografische model” voor huidige dichtheden Bijlage VI. Evaluatie van het “complete model” voor de trend Bijlage VII. Evaluatie van het “geografische model” voor de trend


4

Samenvatting

De broedpopulatie van de Scholekster in Nederland is in de afgelopen 20 jaar meer dan gehalveerd. In dit rapport proberen we te achterhalen welke omgevingsvariabelen gecorreleerd zijn met die gebieden waar Scholeksters vandaag de dag nog wel in relatief hoge dichtheden voor-komen en welke omgevingsvariabelen de populatietrends kunnen verklaren. Zijn er grote verschillen in trends tussen gebieden en waar hangen die verschillen mee samen?

We beperken ons in dit rapport tot de Scholeksters die binnendijks in agrarisch gebied broeden. Dit aangezien driekwart van alle Scholeksters in het agrarische gebied broedt en omdat er grote verschillen zijn tussen de pro-cessen die van invloed zijn op de populatiedynamica van de Scholekster in het urbane gebied, kwelders en het agrarische gebied.

Er zijn zoveel mogelijk bestanden met de exacte locaties van Scholeksterterritoria (“stippen”) verzameld. Uiteindelijk zijn 13 verschillende datasets gebruikt die per jaar tussen 2206 en 16578 stippen en in totaal meer dan 72 000 stippen opleverden. Voor de ruimtelijke trendanalyse zijn de gegevens gebruikt vanaf 2000 omdat deze een grotere ruimtelijke dekking hebben dan in de periode daarvoor.

Uit de beschikbare omgevingsinformatie is een selec-tie gemaakt van relevante omgevingsvariabelen. Voor de analyse van het verband tussen verklarende omgevings-variabelen en de huidige Scholeksterdichtheid (periode 2008-2011) resp. de trend werd gebruik gemaakt van een state-of-the-art type regressiemodellen, namelijk boosted regression trees (BRTs) (Elith et al. 2008).

Pogingen om een verband te leggen met het voorkomen van verschillende potentiële predatoren leverden geen be-vredigend resultaat. Met de andere omgevingsvariabelen werden wel bevredigende resultaten geboekt.

Op basis van het onderzoek kunnen verschillende conclu-sies worden getrokken die voor beheer en bescherming van belang zijn:

1. Er zijn een aantal beïnvloedbare omgevingsvariabe-len die zowel voorspellend zijn voor hoge dichtheden broedparen als voor een “positieve” of in ieder geval “minder negatieve” trendontwikkeling. Het gaat om openheid van het landschap, een grote bedekking met (blijvend) grasland, een minimale winterse droogleg-ging en het beheerpakket subsidieregeling agrarisch natuurbeheer laat maaien (een samenvoeging van ver-schillende vormen van agrarisch natuurbeheer). Om het agrarisch landschap geschikt te houden of geschikter te maken voor Scholeksters ligt het dus voor de hand om de openheid en het areaal (blijvend) grasland te ver-groten. Bij de inrichting en het beheer van het agrari-sche landschap verdient het aanbeveling om te streven naar een grondwaterstand die ’s winters zo dicht mo-gelijk onder het maaiveld ligt en agrarisch natuurbeheer toe te passen met de nadruk op laat maaien.

2. De dichtheid van in het binnenland broedende Scholeksters is hoger dicht bij de kust en ook de af-name in dichtheid verloopt er minder snel. Wanneer een prioritering in beschermingsinspanning nodig zou zijn, dan ligt het voor de hand die inspanning vooral te richten op agrarische gebieden in de buurt van het kustgebied.

3. De bovenstaande conclusies zijn gebaseerd op resul-taten van correlatief onderzoek. Hoewel de gevonden relaties duidelijke aanwijzingen geven voor inrichting en beheer van het agrarische gebied, is het niet zo dat we de achtergrond van de verschillende relaties vol-komen begrijpen. Het is daarom verstandig om nader onderzoek te doen naar de causaliteit van de gevonden verbanden.


5

1. Inleiding

De Scholekster Haematopus ostralegus is een vogelsoort die in Nederland de afgelopen 20 jaar sterk in aantal ach-teruitgaat. De populatie broedvogels is in die periode meer dan gehalveerd (Ens et al. 2011).

De Scholekster is niet de enige weidevogel die in de knel zit: vrijwel alle weidevogelsoorten in Europa laten een snelle en massale teruggang zien (Newton 2004). Maatregelen om de achteruitgang van de biodiversiteit in agrarische gebieden (agri-environment schemes) te stop-pen blijken tot nu toe weinig succesvol (Kleijn et al. 2001, 2004; Teunissen et al. 2013; Kleijn 2013).

Het is dus van groot belang om te weten welke maatre-gelen het meest kansrijk zijn om de voortdurende achter-uitgang van de in het binnenland van Nederland broeden-de Scholeksters een halt toe te roepen. Dat vereist kennis over de factoren die verantwoordlijk zijn voor de sterke daling in het aantal broedparen van de Scholekster. In dit rapport proberen we daarom te achterhalen welke omge-vingsvariabelen gecorreleerd zijn met die gebieden waar Scholeksters vandaag de dag nog wel in relatief hoge dichtheden voorkomen en welke omgevingsvariabelen de populatietrends kunnen verklaren. Zijn er grote verschillen in trends tussen gebieden en waar hangen die verschillen mee samen?

In het rapport “Scholeksters in de knel” (Ens et al. 2011) worden een groot aantal omgevingsvariabelen gebruikt om op basis van regressiemodellen dichtheidskaarten van broedende Scholeksters te maken voor de jaren 1995-2009. In dit rapport voegen we daar nog de volgende omgevingsvariablen aan toe:

Perceelgrootte Ruilverkaveling leidt tot grotere percelen en een verdere rationalisatie van de agrarische aktiviteiten. Met name dit laatste zou ongunstig kunnen zijn voor de Scholeksters.

GrondwaterverlagingDe grondwaterstand wordt vaak verlaagd ten behoeve van een snelle(re) grasgroei en om vroeg in het jaar al met landbouwmateriaal over het land te kunnen rijden om te bemesten e.d. Een verlaagde grondwaterstand lijkt nega-tief voor de beschikbaarheid van het voedsel voor weide-vogels.

BemestingBemesting beinvloedt het voor weidevogels beschikbare voedselaanbod, waarbij niet noodzakelijkerwijze sprake is van een monotone relatie, dat wil zeggen dat het verband steeds dezelfde richting heeft: of altijd toenemend, of altijd afnemend. Er zou echter ook sprake kunnen zijn van een optimum curve.

Afstand tot wadplaten in de Waddenzee en de estuaria in ZeelandScholeksters die in de buurt van het wad broeden hebben de mogelijkheid om tijdens de broedseizoen naar het wad te vliegen om voedsel te halen voor de jongen of om zelf naar voedsel te zoeken. In het eerste geval gaat het om afstanden tot maximaal 2 km, maar hoever Scholeksters die in het binnen land broeden kunnen en willen vliegen om zelf naar voedsel op het wad te zoeken weten we niet.

PredatorenScholeksters zijn grondbroeders en daarmee gevoelig voor predatie.

Er hebben zich meer veranderingen in de landbouw en in het landelijk gebied voorgedaan, die mogelijk verklaren waarom de het aantal vogels van het agrarisch gebied zo sterk in aantal afneemt blijkt uit gegevens van het CBS. Voor een deel van die omgevingsvariabelen bleken he-laas geen bruikbare gegevens tijdig beschikbaar te zijn, bij voorbeeld voor de vervanging van haver en rogge door snijmais en de omzetting van permanent naar tijdelijk grasland.

Dit onderzoek beperkt zich tot Scholeksters die binnendijks in agrarische gebieden broeden. Dit is veruit het grootste deel van de Nederlandse broedpopulatie. Daarnaast is het zo dat in stedelijke en buitendijkse gebieden broedende Scholeksters met heel andere problemen te maken heb-ben, dan de vogels die in agrarisch gebied broeden (Ens et al. 2011).


6


7

2.1. Gegevensbronnen

ScholeksterOm inzicht te krijgen in de factoren die van invloed zijn op trends van weidevogels zijn gegevens nodig van de exacte locaties van territoria in hetzelfde gebied uit twee verschillende perioden (Teunissen et al. 2012). Op deze manier kunnen lokale wijzigingen in dichtheden worden gerelateerd aan lokale omgevingskenmerken. Voor de Scholekster zijn daarom zoveel mogelijk GIS (Geografisch Informatie Systeem)-bestanden met de exacte locaties van de territoria (“stippen”) verzameld. Veel van deze informatie was reeds beschikbaar in de databases van Sovon. In aanvulling daarop zijn provincies waarvan be-kend is dat zij vlakdekkende karteringen uitvoeren en die (nog) niet volledig in de Sovondatabase zaten, alsmede Staatsbosbeheer, Natuurmonumenten en de Universiteit van Groningen benaderd met de vraag of zij een update konden sturen met álle bij hen aanwezige GIS-informatie over weidevogels.

Uiteindelijk zijn 13 verschillende datasets gebruikt (tabel 2.1) die per jaar tussen 2206 en 16578 stippen en in to-taal meer dan 72 000 stippen opleverden. Voor de ruim-telijke trendanalyse zijn de gegevens gebruikt vanaf 2000 omdat deze een grotere ruimtelijke dekking hebben dan in de periode daarvoor.

Omdat we voor dit rapport alleen geinteresseerd zijn in binnendijks broedende Scholeksters, is in GIS een selectie gemaakt van cellen die binnen de zeedijk liggen. Kwelders en stranden zijn dus buiten beschouwing gelaten.

Verklarende variabelenUit de beschikbare omgevingsinformatie is een selectie gemaakt van relevante omgevingsvariabelen (Tabel 2.2). Het gaat hierbij onder andere om de in de inleiding ge-noemde variabelen en variabelen die in de literatuur vaak worden genoemd als potentieel verantwoordelijk voor de achteruitgang van de Scholekster (o.a. Schotman et al. 2007; Teunissen et al. 2005; Van ‘t Veer et al. 2008). Voor het eerst kunnen in de analyse ook bestanden van potentiële predatoren als verklarende variabelen worden gebruikt.

Uit (landelijk) beschikbare geografische bestanden is infor-matie verzameld over de volgende variabelen:

Fysische Geografische Regio’s (subeenheden) Nederland is verdeeld in regio’s (FGR’s) die overeenkomen in bodemsamenstelling en geomorfologie/ontstaans-geschiedenis (Natuurbeleidsplan, LNV 1990). Deze zijn op basis van de ligging weer onderverdeeld in subregio’s. De Nederlandse kaart is gemaakt door het voormalige

2. Methodiek & basisinformatie

Tabel 2.1. Verwerkte datasets met weidevogelkarteringen

Dataset Beheerder

BMP SovonBasiskarteringen SovonWSN SovonA&W A&W / Prov. FryslânBeheer op Maat AlterraMeetnet Gelderland Provincie GelderlandVlakdekkend Noord-Brabant Provincie Noord-BrabantMeetnet Noord-Brabant Provincie Noord-BrabantNatuurmonumenten NatuurmonumentenVlakdekkend Noord-Holland Provincie Noord-HollandOverijssel Provincie OverijsselSBB StaatsbosbeheerUtrecht Provincie UtrechtLimburg Provincie Limburg

Figuur 2.1. Sub-Fysisch Geografische Regio’s. GTW = Getijdengebied Wadden, DUW = Duinen Waddengebied, ZKN = Zeekleigebied Noord, HZN = Hogere Zandgronden Noord, LVN Laagveengebied Noord, ZKW = Zeekleigebied West, ZKM Zeekleigebied Midden, DUO = Duinen Holland en Zeeland, RIV Rivierengebied, LVH = Laagveengebied Holland, ZKZ = Zeekleigebied Zuid, HZZ = Hogere Zandgronden Zuid, HZO = Hogere Zandgronden Oost, GTZ = Getijdengebied Zuid, HLL = Heuvelland, HZW = Hogere Zandgronden West (Utrechtse Heuvelrug en Veluwe), AFZ = Afgesloten Zeearmen.


8

ministerie van LNV (IKC-Natuurbeheer) en wordt onder meer gebruikt door het Centraal Bureau voor de Statistiek voor het berekenen van regionale trends. De originele kaart van 1990 is later verfijnd en beschikbaar gekomen als GIS-bestand. De Fysisch Geografische Regio’s (FGR’s) zijn verder opgedeeld in sub-FGR’s (Figuur 2.1). Zo zijn de meeste regio’s opgedeeld in noord, west, midden en zuid. Hiermee sluiten de sub-FGR’s beter aan bij regionale verschillen als gevolg van bijvoorbeeld klimaat, dan de hoofd-FGR’s.

Openheid van het landschapRecent is een kaart met de zichtbare openheid van het landschap beschikbaar gekomen (Meeuwsen & Jochem 2011); zie ook Figuur 2.2. Deze kaart is weliswaar ge-maakt voor de menselijke beleving van het landschap, maar heeft een veel hogere resolutie dan de kaarten met schaalkenmerken van het landschap van Dijkstra en Lith-Kranendonk (2000) en leent zich daarom beter voor de analyses die in dit rapport worden beoogd. De resolutie van de openheidskaart is 100 meter, die van de schaal van het landschap was 2 kilometer.

MaaidatumOp basis van satellietbeelden is in de voorjaren van 2007-2010 per 250 meter cel een schatting gemaakt van de maaidatum (Figuur 2.3). Voor een toelichting op de ge-hanteerde werkwijze voor het maken van deze kaarten wordt verwezen naar Lips (2011). In deze kaarten is ech-ter begrazing maar in beperkte mate te onderscheiden van maaien en moeten we eerder spreken van kaartbeelden met het aanbod van kort en lang gras in het seizoen. Voor de analyses is gebruik gemaakt van de gemiddelde ge-schatte maaidatum in de periode 2007-2010.

BeheerstatusNaast de geschatte maaidatum is ook gebruik gemaakt van informatie over de beheerstatus in 2006. Voor dit jaar is gekozen omdat het midden in de onderzochte periode ligt en bovendien lang genoeg geleden is om invloed te kunnen hebben op het voorkomen en de ontwikkeling van weidevogels. Uit de bestanden van SAN (Subsidieregeling Agrarisch Natuurbeheer), SN (Subsidieregeling Natuur) en SBB is de volgende informatie afgeleid: aandeel reservaat, aandeel grasland met een beheerovereenkomst met een uitgestelde maaidatum tot 15 juni (‘vroeg maaien’) of grasland met een uitgestelde maaidatum na 15 juni (‘laat maaien’) en aandeel grasland met beheerovereenkom-sten voor verschillende graslandrelevante doelstellingen (Tabellen A1 en A2 in bijlage A). Samenvoeging van de vele verschillende beheerpakketten was nodig om de enorme diversiteit aan beheerpakketten overzichtelijk en analyseerbaar te maken.

Drooglegging en gemiddelde voorjaars grondwaterstandUit eerder onderzoek in Noord-Holland (Van ‘t Veer et al.

Figuur 2.2. Openheid van het landschap. Weergegeven is de gemiddelde zichtafstand. Deze is berekend door voor elke punt de zichtafstand (in meters) in alle richtingen te bepalen en daarover het gemiddelde te nemen. Duidelijk is dat de zichtafstand laag is in de beboste gebieden in het zuid-oosten van het land en hoog in de weidegebieden in Friesland. Deze kaart is met het model ViewScape ver-vaardigd door Meeuwsen & Jochem (2011).

Figuur 2.3. Gemiddelde maaidatum op basis van satelliet-beelden in de voorjaren van 2007-2010.


9

2008) is gebleken dat de drooglegging in de winter een belangrijke relatie heeft met de trend van grondwater-gebonden weidevogels. Om de drooglegging te kunnen bepalen werd gebruik gemaakt van de peilbesluiten van de waterschappen. Deze waren beschikbaar voor alle water-schappen met digitale peilbesluiten met uitzondering van het Waterschap Veluwe.

Een probleem bij de bewerking van de peilbesluitbestan-den is dat niet altijd duidelijk is of er géén peilbesluit is óf dat het peilbesluit 0 cm NAP is. De controle daarop moest handmatig gebeuren door te kijken of er binnen een gebied met peilbesluiten polders waren die hoogst-waarschijnlijk een peilbesluit van 0 cm hadden. In de voorliggende analyse zijn peilbesluiten van 0 cm NAP deels buiten beschouwing gelaten waardoor lokaal dus omissies in de kaarten kunnen voorkomen. Het bestand met peilbesluiten is omgezet naar een 100m-grid bestand door per gridcel minimum, gemiddelde en maximum peil te berekenen.

De droogleggingskaart is vervolgens gemaakt door de peilbesluiten te combineren met het AHN (Actuele Hoogtekaart Nederland)-bestand versie 1. Hiervoor zijn eerst alle afzonderlijke 25m-gridbestanden samenge-voegd tot één groot bestand.

Op basis van de peilbesluiten en de hoogtekaart is een schatting gemaakt van de grondwaterstand in de winter. Deze waterstand betreft feitelijk de berekende droogleg-

ging van een gebied ten opzichte van het maaiveld. Om de maaiveldhoogte te kunnen bepalen zijn uit de hoog-tekaart alleen gemeten oppervlakte-eenheden (‘cellen’) geselecteerd die volgens de top10-vector van 2006 grasland (tdn-code 5213) of bouwland (tdn-code 5203) zijn. Voorts werden de bestanden met peilbesluiten en het maaiveldhoogtebestand omgewerkt naar een gridbe-stand dat uit cellen van 25 meter bestond. Hierna is de maaiveldhoogte afgetrokken van het peilbesluit in cm ten opzichte van NAP. Dit levert de geschatte grondwater-stand (drooglegging in cm beneden maaiveld) in de winter op in gridcellen van 25meter (Figuur 2.4). Deze kaart is geaggregeerd naar cellen van 500m door het minimum en maximum per cel te berekenen. De zomerstanden zijn niet berekend omdat is aangenomen dat de waterstanden aan het begin van het broedseizoen van doorslaggevend belang zijn.

De gemiddelde grondwaterstand in het voorjaar (GVG) is bepaald door de grondwatertrappen (GWT) uit de bodem-kaart en het AHN-hoogtebestand met elkaar te combi-neren. Uit de grondwatertrappen is de GVG afgeleid voor de eenheden van de bodemkaart. Vervolgens is deze in-formatie neergeschaald door combinatie met de hoogte-kaart. Hierdoor ontstaat een veel fijnmaziger patroon van de ingeschatte GVG (Figuur 2.4 rechts).

KweldrukDoor Jaco van der Gaast (pers. med.) is een landsdekkende kwelkaart gemaakt (Figuur 2.5).

Figuur 2.4. Links: drooglegging in de winter in cm onder het maaiveld. Voor uitleg zie tekst. Rechts: De gemiddelde grondwaterstand in het voorjaar (GVG) in cm t.o.v. het maaiveld.


10

Landgebruik: voorkomen grasland en granenZoals reeds genoemd in de inleiding zijn er geen gegevens beschikbaar voor enkele belangrijke variabelen die de dyna-miek van landgebruik beschrijven (vervanging van haver en rogge door snijmais, omzetting van permanent naar tijdelijk grasland). In de analyses konden dus alleen de aandelen van bepaalde landgebruiksvormen als verklarende variabe-len worden gebruikt. Het voorkomen van grasland is afge-leid uit de top10-vector kaart, versie 2006 (Topografische Dienst). De informatie over blijvend, tijdelijk en natuurlijk grasland en over winter- en zomergranen en maïs werd af-geleid uit de Gewassenkaart van Dienst Regelingen.

Onder blijvend grasland (Figuur 2.6) wordt verstaan: gras dat voor ten minste vijf jaar niet in de vruchtwisseling is meegenomen. Het gewas bestaat uit een natuurlijke of ingezaaide vegetatie van grassen of andere kruidachtige

voedergewassen.Onder tijdelijk grasland (Figuur 2.6) wordt verstaan: gras dat in de vruchtwisseling is opgenomen. Het gras wordt niet langer dan vijf jaar aaneengesloten geteeld. Het ge-was bestaat uit een natuurlijke of ingezaaide vegetatie van grassen of andere kruidachtige voedergewassen.Onder natuurlijk grasland (Figuur 2.6) wordt verstaan: ge-was dat bestaat uit een natuurlijke of ingezaaide vegetatie van grassen of andere kruidachtige voedergewassen. De opbrengst per ha mag niet meer zijn dan vijf ton droge stof per hectare. Het beheer mag gedurende meerdere ja-ren op geen enkele manier de landbouwkundige productie verhogen of in stand houden (bijv. bemesting, drainage en onkruidbestrijding).

Onder zomergranen (Figuur 2.7) worden tarwe, gerst, ha-ver, graansorgho en gierst verstaan, die aan het einde van de winter worden gezaaid.Onder wintergranen (Figuur 2.7) worden tarwe, gerst, rogge en triticale verstaan, die in in het najaar worden gezaaid.

In Tabel A3 in bijlage A is een overzicht van de wijze waarop de vele verschillende gewassen zijn samengeno-men tot een aantal hoofdcategorieën waarmee het mo-gelijk werd statistische berekeningen uit te voeren.

PerceelgrootteDe gemiddelde perceelgrootte is afgeleid van de perceel-groottes in de gewassenkaart van 2009.

Verstoring door verkeerVoor de analyse van de verkeersinvloed is gebruik gemaakt van twee verschillende bestanden: de door het verkeer beïnvloede zone voor een gemiddelde weidevogel (ge-baseerd op het onderzoek van Reijnen et al. (1996) en Foppen et al. (2002) naar de invloed van wegen op vo-gels) en de geluidscontouren door weg-, trein- en vlieg-verkeer (www.rivm.nl). De verstoorde zone is afhankelijk

Figuur 2.5. Kweldruk in mm per dag. Een negatieve kwel-druk betekent dat water uit het gebied stroomt.

Figuur 2.6. Verschillende vormen van grasland in Nederland. Links: totale bedekking met gras in are per cel van 500 * 500 m. Midden: bedekking met tijdelijk en blijvend grasland . Rechts: bedekking met natuurlijk grasland.


11

van de verkeersdrukte, maar bedraagt voor een gemid-delde weidevogel veelal 200-300 meter.

BemestingKleinschalige gegevens van de mestgift waren niet be-schikbaar. Van de website van het CBS kunnen alleen jaarlijkse gegevens van de mestgift op gemeenteniveau worden gedownload. Omdat verschillende soorten be-mesting op die schaal sterk gecorreleerd zijn (maar heel

waarschijnlijk niet op de schaal van de percelen), worden alleen de gegevens van NPK-bemesting gebruikt. Het aantal Nederlandse gemeenten werd in de laatste decen-nia herhaaldelijk gereduceerd; het is dus heel lastig uit de beschikbare mestgiftgegevens trends voor de huidige ge-meenten te berekenen. Gezien het feit dat de schaal toch al heel grof is, werd die extra moeite niet opgebracht. Er is dus alleen gewerkt met een globale schatting van de hui-dige mestgift (Figuur 2.9).

Figuur 2.7. Links: verbouwing van zomergranen. Rechts: verbouwing van wintergranen.

Figuur 2.8. Verstoring door het verkeer. Links: beïnvloede zone voor een gemiddelde weidevogel [% dekking]. Rechts: Geluidscontouren [geluidsklassen]


12

Afstand tot het wadDe afstand tot intergetijdegebieden in de Waddenzee of de Zeeuwse Delta kan van invloed zijn op de dichthe-den van binnendijks broedende Scholeksters, bijvoorbeeld omdat de vogels er voedsel kunnen vinden tijdens de broedtijd of omdat ze er overwinteren en het gunstig is om op korte afstand van het overwinteringsgebied te broeden. Een alternatieve verklaring is dat de Scholeksters zich vanuit de kustgebieden steeds verder over het bin-nenland hebben verspreid, waarbij de kustpopulaties als “source” dienden en de binnenlandpopulaties als “sink”. Daarom werd een bestand gemaakt met de afstand tot het wad in het noorden en de afstand tot de Ooster- en

de Westerschelde in het zuiden van het land. Voor het ge-mak wordt deze variabele aangeduid met “afstand tot het wad” (Figuur 2.10).

PredatorenRecent zijn door Sovon kaarten gemaakt met de kans op voorkomen (zoogdieren) of de dichtheid (vogels) van potentiële predatoren van Scholeksters en hun legsels. Het is dus voor het eerst mogelijk ook de aanwezigheid van verschillende predatoren als verklarende variabele te gebruiken en niet alleen proxy’s zoals de openheid van het landschap. Kaarten voor Hermelijn en Vos zijn weer-

Figuur 2.9. NPK-bemesting per gemeente (bron: CBS). Figuur 2.10. Afstand tot het dichtstbijzijnde intergetijdege-bied voor elk landgebied in Nederland.

Figuur 2.11. Links: het voorspelde voorkomen van de Hermelijn, weergegeven als kans tussen 0 en 1. Rechts: het voor-spelde voorkomen van de Vos, weergegeven als kans tussen 0 en 1.


13

gegeven in Figuur 2.11. Er zijn ook kaarten voor Bunzing en Egel gemaakt en gebruikt. Voor vogels is uitgegaan van de verspreiding van de broedvogels zoals bepaald in de broedvogel monitoring van Sovon. Er is gewerkt met kaarten van Bruine Kiekendief, Buizerd, Havik, Kleine Mantelmeeuw, Torenvalk en Zilvermeeuw.

Geografische coordinatenVoor elke cel werden ook de Rijksdriehoekscoördinaten als verklarende variabelen opgenomen, om te corrigeren voor eventuele effecten van variabelen die niet in de analyse zijn opgenomen.

In tabel 2.2 worden de verklarende variabelen samengevat.

Variabelengroep Variabele [maat]

Fysische Geografische Regio’s (FGR) FGR Afgesloten zeearmen [% dekking] FGR Duinen Holland en Zeeland [% dekking] FGR Duinen Waddengebied [% dekking] FGR Heuvelland [% dekking] FGR Hogere Zandgronden Noord [% dekking] FGR Hogere Zandgronden Oost [% dekking] FGR Hogere Zandgronden West [% dekking] FGR Hogere Zandgronden Zuid [% dekking] FGR Laagveengebied Holland [% dekking] FGR Laagveengebied Noord [% dekking] FGR Rivierengebied [% dekking] FGR IJsselmeer [% dekking] FGR Zeekleigebied Midden [% dekking] FGR Zeekleigebied Noord [% dekking] FGR Zeekleigebied West [% dekking] FGR Zeekleigebied Zuid [% dekking]Openheid van het landschap Openheid [m]Maaidatum Gemiddelde Maaidatum 2007-2010Beheerstatus (inclusief SBB-terreinen) Aandeel grasland met maaidatum na 15 juni [% dekking] Reservaat in 2006 [% dekking]Beheertypen volgens beheersovereenkomsten Subsidieregeling Agrarisch (SAN) Natuurbeheer en Subsidieregeling Natuurbeheer (SN) (exclusief SBB-terreinen) Beheerpakket SANSN Grasland [% dekking] Beheerpakket SANSN Laat maaien [% dekking]a Beheerpakket SANSN Overig grasland [% dekking] Beheerpakket SANSN Vroeg maaien [% dekking]bBeheertypen van Staatsbosbeheer (SBB) Beheerpakket SBB Natuurlijk grasland [% dekking] Beheerpakket SBB Overig grasland [% dekking] Beheerpakket SBB Weidevogels [% dekking]Beheertypen volgens de Subsidieregeling Natuurbeheer (SN) Beheerpakket SN Droog rijk grasland [% dekking] Beheerpakket SN Grasland [% dekking]c Beheerpakket SN Natuurlijk rijk grasland [% dekking] Beheerpakket SN Soortenrijk weidevogelgrasland [% dekking] Beheerpakket SN Zeer soortenrijk weidevogelgrasland [% dekking]Grondwater Minimale winterse drooglegging [cm] Maximale winterse drooglegging [cm] Geschatte voorjaarsgrondwaterstand [cm] Kweldruk [mm d-1]Grondwaterklassen afgeleid van de grondwatertrappen Grondwaterklasse water [% dekking] Grondwaterklasse nat [% dekking] Grondwaterklasse vrij nat [% dekking]

Tabel 2.2. In de analysen gebruikte verklarende variabelen met de eenheid waarin de variabelen zijn gemeten. Met % dekking wordt het percentuele oppervlakteaandeel van een variabele in het kwadrant aangeduid.


14

Grondwaterklasse vochtig [% dekking] Grondwaterklasse wisselvochtig [% dekking] Grondwaterklasse vrij droog [% dekking] Grondwaterklasse droog [% dekking] Grondwaterklasse onbekend [% dekking]Landgebruik Voorkomen grasland [% dekking] Blijvend grasland [% dekking] Tijdelijk grasland [% dekking] Natuurlijk grasland [% dekking] Wintergranen [% dekking] Zomergranen [% dekking]Perceelgrootte Perceelgrootte [ha]Verstoring door verkeer Beïnvloede zone voor een gemiddelde weidevogel [% dekking] Geluidscontouren [geluidsklassen]Bemesting Huidige bemesting met NPK [kg ha-1 jr-1]dAfstand tot het wad Afstand tot het wad [m]Kans op voorkomen predatoren Bruine kiekendief [ind km-2] Buizerd [ind km-2] Havik [ind km-2] Kleine Mantelmeeuw [ind km-2] Torenvalk [ind km-2] Zilvermeeuw [ind km-2] Bunzing [kans op voorkomen km-2] Egel [kans op voorkomen km-2] Hermelijn [kans op voorkomen km-2] Vos [kans op voorkomen km-2]Geografische coördinaten Lengte [m Rijksdriehoekscoördinaten] Breedte [m Rijksdriehoekscoördinaten]

a maaien op 1 juni of laterb maaien op 31 mei of eerderc De beheerpakketten SN Half nat grasland en SN Grasland zijn sterk gecorreleerd (r = 0.85), dus werd alleen SN Grasland in de analyse opgenomen.d N-, P-, K- en dierlijke bemesting zijn sterk met elkaar gecorreleerd (r > 0.9), dus werd alleen NPK-bemesting in de analyse opgenomen.

2.2. Analyse trends en randvoorwaarden

2.2.1 DatabewerkingAlle stippen van weidevogelterritoria zijn bij elkaar gevoegd in één bestand. Indien uit een 100 meter cel voor een jaar informatie beschikbaar was uit verschillende bronnen, is het maximum aantal genomen uit de verschillende bron-nen. Met deze gegevens zijn eerst dichtheidskaarten per jaar gemaakt. Deze zijn vervolgens geaggregeerd tot een dichtheidskaart per periode door per 100 meter cel de maximumwaarde te nemen. Vervolgens zijn kernel-dicht-heidskaarten per 100 meter gemaakt per periode (2000-2003, 2004-2007 en 2008-2011); zie bijlage I voor meer uitleg. Voor de kernel is een doorsnede van 250 me-ter (ofwel een bandbreedte van 125 meter) gebruikt. De dichtheidskaarten geven dientengevolge een goed beeld van de lokale dichtheid. Deze benadering is gehanteerd omdat zij beter aansluit bij de activiteitsgebieden en om-vang van Scholeksterterritoria: een territorium is over het algemeen groter dan 1 ha, maar de territoriumstip komt

wel in een één enkele hectarecel terecht. Hierdoor kan ten onrechte het beeld ontstaan dat de naastgelegen cel niet bezet zou zijn. Door het gebruik van een dichtheids-kaart worden de territoriumstippen dus wat meer ‘uitge-smeerd’ over de directe omgeving. Een verdere reden voor de keuze voor een analyse met dichtheidskaarten is dat van veel weidevogelkarteringen wel de territoriumstippen bekend zijn, maar niet de begrenzing van het onderzochte gebied. Hierdoor is onderscheid tussen aantallen “onbe-kend” en “niet aanwezig” niet mogelijk. Dit is deels onder-vangen door (op dezelfde manier) ook dichtheidskaarten voor alle weidevogels te maken en deze te gebruiken om te bepalen welke 100-meter cellen per periode zijn on-derzocht op het voorkomen van weidevogels. Gebieden die wel zijn geteld, maar waar geen Scholeksters zaten, zijn dus “echte nullen”. Dit gold niet voor cellen waarin al-leen Grutto’s zijn vastgesteld, aangezien er aparte tellingen voor Grutto’s bestaan.

Ten slotte werden alle kaarten, zowel die van de


15

Scholekster als die van de verklarende variabelen vanwege de beschikbare rekenkapaciteit tot een celgrootte van 500x500 m omgeschaald.

2.2.2 Analyse van huidige dichtheid en trendsVoor de analyse van de huidige dichtheid (2008-2011) leverde de databewerking dichtheidsschattingen van 48 694 kwadranten van 500x500 m op. De bepaling van de verandering in aantal is iets lastiger dan die van de dicht-heid. Absolute veranderingen kunnen niet met elkaar wor-den vergeleken omdat ze afhankelijk zijn van de dichtheid. Als in een kwadrant de dichtheid van 10 naar 8 territoria per ha daalt, betekent dat iets heel anders dan een ach-teruitgang van 2.5 naar 0.5 territoria per ha. Het zelfde probleem geldt ook voor lineaire trends: dezelfde hellings-hoek betekent iets heel anders voor een kwadrant met hoge dan voor een kwadrant met lage dichtheid en kan dus niet worden geinterpreteerd zonder ook de dichtheid en dus de intercept van de regressielijn daarin te betrek-ken. Om tot een enkel kengetal te komen, werd daarom een aanpak gekozen die al met succes voor de kerngebie-danalyse van weidevogels werd gebruikt (Theunissen et al. 2012). De verandering in aantal (trend) per cel tussen de periodes 2000-2003 en 2008-2011 werd gekarak-teriseerd door een trend-index die bepaald word door de volgende formule:

Trend = dichtheid laatste periode – dichtheid eerste periode dichtheid laatste periode + dichtheid eerste periode

Dit levert een trend-index op die tussen -1 (verdwenen uit een kwadrant) en +1 (kwadrant gekoloniseerd) zit. Kwadranten met de zelfde relatieve verandering in aantal worden dus door de zelfde trend-index gekarakteriseerd. Een achteruitgang van 8 naar 4 territoria per ha levert bijvoorbeeld dezelfde waarde op (–0,33) als een daling van 4 naar 2. Omdat de dynamiek van kwadranten met lage dichtheden bepaald kan zijn door andere omgevings-variablen dan die van kwadranten met hoge dichtheden wordt de mogelijkheid onderzocht deze separaat te analy-seren. De scheiding tussen kwadranten met hoge en lage dichtheden wordt dan gebaseerd op de inspectie van een spreidingsdiagram met de dichtheidsgegevens uit de peri-ode 2008-2011 en de waarden van de trend-index.

Voor de analyse van het verband tussen verklarende om-gevingsvariabelen en de huidige dichtheid (periode 2008-2011) resp. de trend werd gebruik gemaakt van een state-of-the-art type regressiemodellen, namelijk boosted regression trees (BRTs) (Elith et al. 2008). Met BRTs kun-nen op een robuuste wijze niet-lineaire verbanden worden beschreven. BRTs combineren de sterke punten van twee algorithmen: regression trees (modellen die het verband tussen afhankelijke en verklarende variabelen tot stand brengen middels recursieve binaire splitsing) en boosting (een adaptieve methode om veel simpele modellen te

combineren en hun voorspellende kracht te verbeteren). Hawkins (2012) beveelt expliciet aan voor ruimtelijke analyses regression trees of ervan afgeleide methoden te gebruiken.

Wanneer alle relevante en ruimtelijk gestructureerde ver-klarende variabelen zijn opgenomen in het model voor trend of dichtheid, dan zijn de residuen onafhankelijk van elkaar. In de praktijk is het echter niet mogelijk te weten of alle belangrijke verklarende variabelen zijn meegeno-men. Als er nog sprake is van autocorrelatie tussen de re-siduen dan betekent dat dat er belangrijke verklarende va-riabelen ontbreken in het model, bijvoorbeeld een verband met niet gemeten omgevingsvariabelen of demografische processen (Dray et al. 2012).Voor de analyse van dichtheid en trend hebben we daar-om voor de volgende aanpak gekozen:

1. Eerst is bepaald in hoeverre er sprake is van ruimtelijke correlatie (‘autocorrelatie’) in de gegevens. Dit is be-paald door het berekenen van Moran’s I (een statistisch kengetal voor de evaluatie van ruimtelijke autocorrela-tie, Bivand et al. 2008) voor verschillende afstandklas-sen. Dit laat ons zien op welke ruimtelijke schaal er sprake is van significante autocorrelatie.

2. Vervolgens is een compleet model gemaakt met alle verklarende variabelen met behulp van de BRT-methode. Dit model levert voor elke waarneming een voorspelling op. Het verschil tussen de voorspelling en de werkelijke waarneming wordt ‘residu’ genoemd. Door te kijken of er nog ruimtelijke correlatie in deze residuen zit, kunnen we bepalen of er nog variabelen of processen ontbreken die de resterende autocorrela-tie zouden kunnen verklaren.

3. Als alternatief voor een “compleet model” waar alle variabelen tegelijkertijd worden gebruikt, is er een

“geografisch model” gemaakt met alleen geografi-sche variabelen zoals breedte- en lengtegraad en de fysische geografische regio. We verwachten dat die aanpak de grootschalige variatie van dichtheid en trend van de Scholekster zal verklaren. Daaropvolgend zijn weer de ruimtelijke autocorrelatie van de residuen van het “complete model” voor verschillende afstands-klassen bepaald. De resterende autocorrelatie levert informatie op, op welke schaal de grootschalige geo-grafische patronen beinvloed worden door lokale eco-logische factoren.

Voor de evaluatie van BRT-modellen worden scatterplots, histogrammen en verschillende statistische kengetallen gebruikt (voor gedetailleerd uitleg, zie bijlage II).

Het verband tussen verklarende variabelen en dichtheid of trend wordt vertegenwoordigd door:

De relatieve bijdrage van een variabele De relatieve invloed (bijdrage) van een verklarende

variabele wordt bepaald aan de hand van het aantal


16

keren dat deze variabele wordt geselecteerd voor splitsing, gewogen met het kwadraat van de verbe-tering van het model veroorzaakt door de splitsing en gemiddeld over alle dendrogrammen (Friedman & Meulman 2003). De bijdrage van elke variabele wordt geschaald, zodat de som van alle bijdragen gelijk is aan 100.

Partial dependence plots Met partial dependence plots kan de relatie tus-

sen een afhankelijke variabele zoals het aantal Scholeksters of de trend, en de omgevingsvariabelen in beeld worden gebracht. Met de hier gebruikte modellen, zoals de BRT-modellen, is deze relatie namelijk vaak niet eenvoudig positief of negatief, maar kan heel ingewikkelde vormen aannemen. De relatie is dan alleen inzichtelijk te maken met de genoemde partial depence plots.

Achtergrond: Deze plots tonen het effect van een verklarende variabele op de responsvariabele, re-kening houdend met de gemiddelde effecten van alle andere verklarende variabelen in het model (Friedman & Meulman 2003). Voor elk BRT-model worden de partial dependence plots van de be-

langrijkste variabelen getoond. Op de y-as van de grafiek staat niet de afhankelijke variabele, maar de mate waarin de omgevingsvariabele van invloed is op veranderingen in de afhankelijke variabele ofwel in andere woorden, het relatieve belang. Hoe groter het verschil is tussen minimum waarde en de maxi-mum waarde op de y-as, hoe groter het relatieve belang van deze variabele is. Voor meer uitleg, zie bijlage III.

Voor alle analyses gebruikten we de statistische program-meeromgeving R (R Development Core Team 2011). De Moran’s I voor verschillende afstandsklassen werd bere-kend met het package pgirmess (Giradoux 2012). Gebruik van de volledige dataset voor de berekening van Moran’s I is niet altijd mogelijk vanwege de daarvoor noodzake-lijke extreem hoge rekencapaciteit. In dit geval werd een willekeurige steekproef van 5000 kwadranten gebruikt en in de legenda vermeld. De BRT-modellen werden gemaakt met het script van Elith et al. 2008) gebaseerd op het package gbm (Ridgeway 2012) en de bij Sovon ontwikkelde verzameling scripts ‘TRIMmaps’ (Hallmann & Sierdsema 2011).


17

3. Resultaten

3.1. Huidige dichtheden

3.1.1 Ruimtelijke correlatie van de gegevens De Moran’s I voor de gegevens laat zien dat er significante ruimtelijke correlatie is tussen gebieden die vlak bij elkaar liggen en dat deze correlatie afneemt tot nul bij een af-stand van ongeveer 70 km (Fig. 3.1).

3.1.2 Model met alle verklarende variabelen (“Compleet model” (Model I)) Het model verklaart de waarnemingen vrij goed (voor model evaluatie, zie bijlage IV) en reduceert de ruimte-lijke correlatie behoorlijk, al blijft deze aanwezig op lokale schaal (< 20 km). Dat wijst er op dat op die schaal pro-cessen verantwoordelijk zijn voor de ruimtelijke autocor-relatie die met de gebruikte verklarende variabelen niet voldoende worden gekarakteriseerd (Fig. 3.2). Enkele ge-isoleerde significante waarden van Moran’s I voor bepaalde afstandsklassen zijn niet verontrustend aangezien ze geen samenhangend beeld genereren. Dit kan gewoon te ma-ken hebben met toeval, omdat het achtereenvolgens toetsen van een groot aantal afstandsklassen met telkens een onbetrouwbaarheidsdrempel van p=0.05 noodza-kelijkerwijze een gemiddelde van 5% “foute” significante uitslagen zal opleveren.

Resultaten Model IIn Fig. 3.3 is weergegeven welke variabelen een belang-rijke rol spelen en welke variabelen slechts een geringe bijdrage leveren aan het model.

Vooral geografische variabelen dragen sterk bij aan het model (tussen haakjes de relatieve bijdrage):• geografischebreedte(44%)• fysisch-geografischeregioDuinenWaddengebied(9%)• fysisch-geografischeregioZeekleigebiedWest(4%)maar onder de belangrijkste verklarende variabelen zitten ook:• afstandtothetwad(19%)• openheid,eenproxyvoorkwetsbaarheidvoorpredato-

ren (6%)en de kans op de aanwezigheid van (potentiële) predato-ren:• KleineMantelmeeuw(3%)• Vos(2%)• Zilvermeeuw(2%)Onder de belangrijkste ecologische variabelen zijn verder nog de volgende variabelen met een duidelijk verband met beheer, al hebben deze slechts een kleine bijdrage:• beheerpakket‘SNzeersoortenrijkweidevogelgebied’

(2%)•minimalewintersedrooglegging(1%)• beheerpakket‘SAN/SNlaatmaaien’(1%)

Figuur 3.1. Moran’s I voor de gegevens van huidige dicht-heid, berekend met een willekeurig geselecteerd subset van 5000 kwadranten van 500m x 500m. (Gebruik van de volledige dataset voor deze berekening is niet mo-gelijk vanwege de daarvoor noodzakelijke extreem hoge rekencapaciteit). Rode punten: significante autocorrelatie (Moran’s I > 0, p < 0.05) in de betreffende afstandsklasse.

Figuur 3.2. Moran’s I voor de residuen van het complete model van huidige dichtheid, berekend met een willekeurig geselecteerd subset van 5000 kwadranten. (Gebruik van de volledige dataset voor deze berekening is niet mo-gelijk vanwege de daarvoor noodzakelijke extreem hoge rekencapaciteit). Rode punten: significante autocorrelatie (Moran’s I > 0, p < 0.05) in de betreffende afstandsklasse.


18

Aan de partial dependence plots in Fig. 3.4 kan de vorm van de verbanden worden afgelezen• Duidelijkisteziendathetstatistischeverbandmety

(noorderbreedte) positief is; hoe noordelijker, hoe meer broedende Scholeksters (geografische gradient).

• Hetverbandmetafstandtothetwadisnegatief;hoegroter de afstand tot het wad, hoe minder broedende Scholeksters. Opvallend is dat dit effect nog merkbaar is tot een afstand van ca 50 km. Een dergelijke afstand lijkt te groot voor dagelijkse foerageervluchten, maar dit verdient nader onderzoek.

• Openheidheefteenpositiefeffectopdedichtheidbroedende Scholeksters. Er is een duidelijke drempel bij 250m zicht.

• HetverbandmetKleineMantelmeeuwiseenbeetjeonduidelijk, maar er lijkt een negatief effect te bestaan; hoe minder Kleine Mantelmeeuwen, hoe meer broe-dende Scholeksters.

• Hetzelfdegeldtvoorhetverbandtussendichthedenaan broedende Scholeksters en het voorkomen van Vossen.

• OpmerkelijkishetpositieveverbandtussenZilvermeeuwen en Scholeksters.

3.1.3 Model met geografische variabelen en ana-lyse van de residuen (“Geografisch model” (Model II))Ondanks het feit dat hier minder verklarende variabelen worden meegenomen in vergelijking tot het complete model, is ook dit model vrij goed (voor model evaluatie, zie bijlage V) en is de ruimtelijke autocorrelatie bijna hele-maal verdwenen. Er lijkt zelfs sprake van een sterkere ver-betering dan bij het complete model, maar dat kan komen omdat de autocorrelatie niet met de volledige dataset maar met een willekeurig geselecteerde subset werd be-rekend (zie hoofstuk 2.2.2). Net als bij het complete mo-del is er nog steeds autocorrelatie bij een afstand van 100 en 130 km, al kan dit wederom toeval zijn, aangezien het zich slechts in twee afstandsklassen voordoet (Fig. 3.5).

Figuur 3.3. Bijdragen van de verklarende variabelen in het complete model van de huidige dichtheid Scholeksters.


19

Figuur 3.4. Partial dependence plots van de acht belangrijkste verklarende variabelen in het complete model van de hui-dige dichtheid.


20

In Fig. 3.7 kan de vorm van de verbanden worden bestu-deerd. De noord-zuid gradient is goed te zien. De negatieve relatie met het aandeel FGR_DUW (fysisch geografische regio duinen in het waddengebied) kan worden verklaard doordat hokken die geheel uit duinen bestaan minder ge-schikt zijn dan hokken die deels uit duinen bestaan.

Analyse van de residuen van het geografisch modelHet model dat de residuen van het geografische model verklaart presteert duidelijk minder goed dan de voor-gaande twee modellen (complete en geografische model) (voor model evaluatie, zie bijlage V).

Resultaten model II

De bijdrage van de verschillende variabelen aan model II, wat neerkomt op een analyse van de residuen na correctie voor de geografische variabelen, is weergegeven in Fig. 3.8. Hieronder de variabelen die een belangrijke bijdrage leveren (tussen haakjes de relatieve bijdrage):• openheid(16%)• gemiddeldemaaidatum(14%)• afstandtothetwad(12%)• aandeelgrasland(11%)• hetbeheerpakket‘SNzeersoortenrijkweidevogelge-

bied’ (7%)• minimalewintersedrooglegging(5%)• beheerpakketvroegmaaien(5%)• beheerpakketlaatmaaien(5%)

Mestgift draagt weinig bij aan het model (3%), en ook perceelgrootte lijkt niet van belang (< 1 %).

Figuur 3.5. Moran’s I voor de residuen van het geogra-fische model van huidige dichtheid, berekend met een willekeurig geselecteerd subset van 5000 kwadranten. De hele dataset kan niet worden gebruikt door de daarvoor noodzakelijke ekstreem hoge rekenkapaciteit. Rode punten: significante autocorrelatie (Moran’s I > 0, p < 0.05) in de betreffende afstandsklasse.

Figuur 3.6. Bijdragen van de verklaren-den variabelen in het geografische mo-del van de huidige dichtheid.

In Fig. 3.6 is de bijdrage van de verschillende variabelen aan het geografische model weergegeven.

ResultatenEr is wederom sprake van een hoge bijdrage van geografi-sche variabelen (tussen haakjes de relatieve bijdrage):• Y,Noorderbreedte(54%)• FGR_DUW,duinengebiedWadden(27%)• FGR_ZKW,zeekleigebiedWest(8%)• FGR_ZKN,zeekleigebiedNoord(5%)• X,Westerlengte(4%)• FGR_LVH,laagveengebiedHolland(2%)


21

Figuur 3.7. Partial dependence plots van de vier belangrijkste verklarende variabelen in het geografische model van de huidige dichtheid.

Figuur 3.8. Bijdragen van de verklarende variabelen in de analyse van de residuen van het geografische model van de huidige dichtheid.


22

Figuur 3.9. Partial dependence plots van de acht belangrijkste verklarende variabelen in de analyse van de residuen in het geografische model van de huidige dichtheid.


23

De vorm en richting van de verbanden kan afgeleid wor-den uit de partial dependence plots in Fig. 3.9:• Hetverbandmetopenheidisnetalsinhetcomplete

model positief en wijst weer op twee drempels bij 250 en 1300 m.

• Derelatiemetgemiddeldemaaidatumisnegatief.Alsvroeg gemaaid wordt (vóór 10 april) zijn er meer broe-dende Scholeksters dan door het geografische model wordt voorspeld. Dit kan mogelijk worden verklaard doordat Scholesters graag in kort gras broeden, maar kan ook te maken hebben met begrazing; de bestan-den met maaidatum zijn verkregen door bij satelliet-foto’s de eerste datum met kort gras te nemen. Dit korte gras wordt vaak veroorzaakt door maaien, maar kan ook te maken hebben met begrazing. Dit zal vroeg in het seizoen vaker het geval zijn, aangezien er dan nog weinig gemaaid is.

• Ooknuisereenduidelijkepositieveinvloedvannabij-heid van het wad, maar dit effect neemt snel af en is afwezig bij afstanden boven 2 km.

• DedichtheidaanbroedendeScholekstersishogerdan alleen voorspeld door het geografische model naarmate het aandeel grasland in een cel toeneemt. Hetzelfde geldt voor het aandeel met beheerpakket zeer soortenrijk weidevogelgebied in een cel.

• Droogleggingindewinterheefteennegatiefeffectop de dichtheden van de Scholekster. Het meest ne-gatieve effect word bereikt als de grondwaterstand ’s winters op 1 m of dieper onder het maaiveld daalt. Hoe hoger de grondwaterstand ’s winters, hoe beter.

• Hetpositieveverbandmetzowelbeheerpakketvroegmaaien als beheerpakket laat maaien is moeilijk te verklaren, aangezien de twee variabelen tegengesteld lijken. Mogelijk houdt dit verband met het feit dat er een beheerpakket met maaidatum ligt, aangezien dit vaak in weidevogelrijke gebieden zal zijn.

3.2. Verandering in aantal (“Trend”)Het spreidingsdiagram met de gegevens van dichtheden en waarden van de trend-index leverde geen duidelijke schei-ding tussen kwadranten met hoge en lage dichtheden op (Fig. 3.10). In de gebieden met lage dichtheden komen de trend-indexwaarden -1 (lokaal verdwenen) en 1 (nieuw gekoloniseerd) veelvuldig voor (Fig. 3.11 links). Dit wijst op een in-and-out-effect (Diamond & May 1977) waar met het verstrijken van de jaren de kwadranten door enkele broedparen herhaaldelijk worden verlaten en opnieuw ge-koloniseerd. Het is moeilijk voorstelbaar hoe dit als “trend” kan worden gekwantificeerd. De analyse van de verandering in aantallen werd daarom alleen uitgevoerd met gege-vens uit gebieden waar de Scholekster in voldoende hoge dichtheden voorkwam en werd beperkt tot 20% van de cellen met de hoogste dichtheden van de Scholekster in de periode 2000-2003. De gegevens bevatten nog wel altijdkwadrantenmetrelatieflagedichtheden(≥2.5terri-

Figuur 3.10. Spreidingsdiagram met getransformeerde begindichtheden en waarden van de trend-index van de 500x500 m kwadranten. Rechts van de loodrechte stip-pellijn liggen 20% van de gegevens.

Figuur 3.11. Histogram van de waarden van de trend-index voor alle gegevenspunten in Fig. 3.10 (links) en rechts van de stippellijn in Fig. 3.10 (rechts).


24

Figuur 3.12. Moran’s I voor de trend gegevens. Rode pun-ten: significante autocorrelatie (Moran’s I > 0, p < 0.05) in de betreffende afstandsklasse.

Figuur 3.13. Moran’s I voor de residuen van het complete trend model. Rode punten: significante autocorrelatie (Moran’s I > 0, p < 0.05) in de betreffende afstandsklasse.

Figuur 3.14. Bijdragen van de verklarende variabelen in het complete trend model.


25

toria per km2), maar de steekproef mocht ook weer niet te klein worden. Tenslotte waren er 2117 kwadranten voor de analyse van de trend beschikbaar en deze lieten een klok-vormige verdeling zien, die zich goed leent voor statistische analyse (Fig. 3.11 rechts). 3.2.1 Ruimtelijke afhankelijkheid van de gegevensBij de trendgegevens is ruimtelijke autocorrelatie aan-wezig bij de korte afstanden, net zo als bij de dichtheid. Misschien is er ook bij wat langere afstanden nog sprake van ruimtelijke autocorrelatie (Fig. 3.12). 3.2.2 Model met alle verklarende variabelen (“Compleet model”) Het complete model voor de trend is redelijk goed (voor model evaluatie, zie bijlage VI) en verklaart het grootste deel van de ruimtelijke autocorrelatie, maar er zijn nog steeds aanwijzingen voor een positieve ruimtelijke auto-correlatie bij een afstand van ongeveer 40 km (Fig. 3.13). Waarschijnlijk is deze ene significante afstandsklasse een gevolg van het meervoudige toetsen (zie paragraaf 3.1.2).

ResultatenIn Fig. 3.14 is de bijdrage van de verschillende variabelen aan het model weergegeven. De belangrijkste variabelen zijn (tussen haakjes de relatieve bijdrage):

• afstandtothetwad(11%)• geografischelengte(9%)• kansophetvoorkomenvandeBunzing(8%)• deminimaledroogleggingindewinter(7%)• deopenheidvanhetlandschap(5,5%)• blijvendgrasland(4,2%)

Er is nog een hele reeks variabelen die bijdragen aan het model, maar de verschillende bijdragen liggen alle onder de 4%. Dit maakt het moeilijk de modeluitkomsten te in-terpreteren. Een opvallend verschil met de modellen voor de Scholekster dichtheid is dat de Fysiche Geografische regio’s nauwelijks een rol spelen (alleen het zeekleigebied West heeft een relatieve bijdrage net boven de 1%).

De vorm en richting van de verbanden kan afgeleid wor-den uit de partial dependence plots in Fig. 3.15:• Eriseenduidelijkepositieveinvloedvannabijheidvan

het wad tot een afstand van 60 km. • Hetverbandmetwesterlengteisgrillig.Hetisnietzo

dat hoge waarden vooral in het oosten voorkomen en lage waarden in het westen, of omgekeerd.

• DerelatiemetdekansophetvoorkomenvanhetBunzing is negatief, maar het merkwaardige van deze kansenkaart is dat de kans op het voorkomen van

Figuur 3.15. Partial dependence plots van de zes belangrijkste verklarende variabelen in het complete trend model.


26

Bunzingen soms zelf negatieve waarden aanneemt. Dat laatste is een artefact van de gebruikte bereke-ningsmethodiek.

• Droogleggingindewinterheeftnetalsbijhetonder-zoek naar de dichtheid Scholeksters een negatief effect op de trend van de Scholekster. Het meest negatieve effect word bereikt als de grondwaterstand ’s winters op 1 m of dieper onder het maaiveld daalt. Ook hier geldt, hoe hoger de grondwaterstand ’s winters, hoe positiever de trend.

• Hetverbandmetopenheidisnetalsindeanalysevande Scholekster dichtheden positief.

• DedichtheidaanbroedendeScholekstersishogernaarmate het aandeel blijvend grasland in een cel toeneemt. Dit effect wordt al bij een vrij laag aandeel blijvend grasland bereikt.

3.2.3 Model met alleen geografische variabelen en analyse van de residuen (“Geografisch model”)De ruimtelijke autocorrelatie van het model met alleen geografische variabelen is vergelijkbaar met die van het complete model. Er is duidelijk minder ruimtelijke autocor-relatie dan bij de originele trendgegevens, maar er zijn nog steeds statistisch significante punten (Fig. 3.16).

Het model met alleen geografische variabelen is duidelijk slechter dan het complete model (voor model evaluatie, zie bijlage VII). Dit betekent dat geografische patronen al-léén geen goede voorspellers zijn voor de trend. Dit klopt met het feit dat geografische variabelen weinig effect hadden in het complete model.

In Fig. 3.17 is de bijdrage van de verschillende variabelen weergegeven (tussen haakjes het relatieve belang):• noord-zuidgradient,geografischebreedte(36%)• west-oostgradient,geografischelengte(34%)

De FGRs hebben alle een bijdrage onder de 10% (Fig. 3.17) wat overeenkomt met de lage bijdragen van de FGR-variabelen in het complete model.

Het verband met geografische lengte en breedte vertoont veel variatie, maar vooral voor geografische breedte is er sprake van een toename naar het noorden: hoe noordelijker, hoe positiever de trend. In het geval van de geografische lengte is er meer variatie, maar toch ook nog een trend dat de trends in het westen positiever zijn (Fig. 3.18).

Analyse van de residuen van het geografische model

ResultatenOndanks de lage modelkwaliteit is opvallend dat het model voor de geografische residuen in veel opzichten overeenkomt met het complete model, al zijn er ook ver-schillen:

Figuur 3.16. Moran’s I voor de residuen van het geografi-sche trend model. Rode punten: significante autocorrelatie (Moran’s I > 0, p < 0.05) in de betreffende afstandsklasse.

Figuur 3.17. Bijdragen van de verklarende variabelen in het geografische trend model.

• derelatieveimportantievanopenheidisduidelijkhoger(9% versus 6%)

• dievanafstandtothetwadisduidelijklager(3%ver-sus 11%) (Fig. 3.19)

In Fig. 3.20 zijn de partial dependence plots weergege-ven. De verbanden met minimale drooglegging in de win-ter, openheid van het landschap en bedekking met blij-vend grasland zijn vergelijkbaar met die gevonden voor het complete model. De relatie met de kans op het voorko-men van Bunzing is tweetoppig, net als de relatie met de gemiddelde maaidatum – dit is moeilijk te interpreteren.


27

Figuur 3.18. Partial dependence plots van de twee belangrijkste verklarende variabelen in het geografische trend model.

Figuur 3.19. Bijdragen van de verklarenden variabelen in de analyse van de residuen van het geografische model voor de trend.


28

Figuur 3.20. Partial dependence plots van de acht belangrijkste verklarende variabelen in de analyse van de residuen in het geografische trend model.


29

4. Discussie

In deze rapportage analyseren we de factoren die cor-releren met de dichtheid en met de trend in de dichtheid van in het binnenland broedende Scholeksters. We zullen eerste de dichtheid en daarna de trend in dichtheid be-spreken.

DichtheiD

Geografische patronenIn het licht van onze vraagstelling bij dit onderzoek zijn geografische patronen in dichtheid minder interessant om-dat niet duidelijk is hoe je daar met een ander beheer iets aan zou kunnen veranderen. Er is echter duidelijk sprake van geografische patronen in de dichtheid; de ruimtelijke autocorrelatie is zichtbaar tot een afstand van 70 km. Dit word bevestigd door het grote belang van geografische variabelen in het “complete model”. Ook is het zo dat het “geografische model” met alleen geografische variabelen bijna net zo goed is als het “complete model”. Toch wordt de verspreiding niet uitsluitend verklaard door geografische variabelen. Wel is het zo dat de twee manieren om te corrigeren voor de geografische variabelen (meenemen in het model of analyseren van de residuen) tot gedeeltelijk verschillende resultaten leiden. Het lijkt waarschijnlijk dat beide analyse-methoden de sterke ruimtelijke autocor-relatie in dichtheid goeddeels weten te neutraliseren, maar helemaal zeker is dit niet. Vooralsnog lijkt het ons aan-nemelijk dat meervoudig toetsen verklaart waarom ook na correctie er soms nog afstandsklassen zijn met een sig-nificant afwijkende Moran’s I.

Afstand tot het wadNiet alle grootschalige geografische patronen zijn “onin-teressant”. Een deel van de grootschalige patronen in dicht-heid hebben zeker te maken met de afstand tot het wad (Fig. 2.10) en de importantie van het effect wordt mogelijk zelfs onderschat door de correctie voor met afstand tot het wad gecorreleerde geografische variabelen. Hoe dichter de binnenlandse broedgebieden bij het wad liggen, hoe hoger de dichtheid. Als geografische variabelen onderdeel zijn van het model, is het effect zichtbaar tot een afstand van 70 km. Als eerst voor geografische variabelen wordt gecor-rigeerd, dan is het effect zichtbaar tot 20 km. In beide gevallen is de afstand veel groter dan de afstand waarover Scholeksters prooien vervoeren naar hun jongen, zolang die nog niet vliegvlug zijn. Binnendijks broedende Scholeksters kunnen op het wad naar voedsel zoeken voor hun jongen, maar de maximale transport afstand van voedsel bedraagt 2 km. Er is naar alle waarschijnlijkheid meer aan de hand. Binnendijks broedende Scholeksters zouden ook tijdens de broedtijd naar het wad kunnen vliegen om snel in hun eigen voedselbehoefte te voorzien – een snelle snack tus-sendoor als het ware. Met zenders uitgeruste Scholeksters

die in de polder van Ameland broeden blijken inderdaad ook tijdens de broedtijd regelmatig het wad te bezoeken en leggen daarbij afstanden van 4 km af (ongepubliceerde data). Ook dat is nog veel minder dan 20 en 70 km, maar veel verder vliegen heeft niet veel zin voor de betreffende vogels. De afstand tot de dijk is maar 500 m en de afstand van Ameland tot de Friese kust is maar 6 km. Het is dus best mogelijk dat Scholeksters die in het binnenland van Friesland broeden en over veel langere afstanden zouden moeten vliegen om bij het wad te komen (bijv 20 km voor vogels die ten zuiden van Leeuwarden broeden), dat ook daadwerkelijk doen. Onderzoek naar het gebruik van het wad door in het binnenland broedende Scholeksters tijdens de broedtijd lijkt gewenst om vast te stellen of het effect werkelijk te maken heeft met Scholeksters die tijdens de broedtijd af en toe het wad bezoeken. Een andere mo-gelijke verklaring voor de verhoogde dichtheid bij de kust is dat de binnenlandse broedgebieden vanaf de kust zijn gekoloniseerd. Een probleem met die verklaring is dat dicht bij de kust gelegen gebieden inderdaad eerder gekoloni-seerd zijn, maar dat je zou verwachten dat na kolonisatie de gebieden opvullen tot de draagkracht voor dat gebied, en dat gelijke gebieden die alleen verschillen in afstand tot de kust op den duur een gelijke maximale dichtheid zouden aannemen. De kolonisatie hypothese kan dus alleen een verklaring zijn als de kolonisatie nog in volle gang was toen het tij begon te keren voor de Scholekster en de populatie begon af te nemen. Dit kan niet worden uitgesloten, maar lijkt ons minder waarschijnlijk.

Openheid van het landschapEen tweede variabele die in beide analyses een groot ef-fect heeft is openheid (Fig. 2.2): hoe groter de openheid van het landschap, hoe hoger de dichtheid broedende Scholeksters. Dit kan goed samenhangen met het risico van predatie op eieren en kuikens en zelfs op ouder-vogels. Hoe opener het gebied, hoe moeilijker het is voor predatoren, om ongezien het nest te bereiken. Dit effect zou wel eens belangrijker kunnen zijn dan de kans dat de verschillende predatoren daadwerkelijk in het gebied voor-komen.

De aanwezigheid van predatoren is ook gemodelleerd. De dichtheid Kleine Mantelmeeuwen en de kans dat er Vossen in het gebied zitten lijken belangrijk in het comple-te model, maar het patroon is niet duidelijk. In het geval van de Zilvermeeuw is het verband zelfs tegen intuïtief: de dichtheid Scholeksters is hoger als er Zilvermeeuwen in de buurt zijn. We zijn geneigd aan te nemen dat hier sprake is van toevallige verbanden, die geen diepere oor-zaak hebben. Zilvermeeuwen broeden op kwelders en daar kunnen zeer hoge Scholekster dichtheden voorko-men. Echter, die Scholeksters broeden daar niet vanwege de Zilvermeeuwen, maar omdat kwelders die dicht bij het


30

wad liggen een goed broedhabitat vormen vanwege de mogelijkheid om veel voedsel aan te slepen voor de jon-gen.

Afstand tot het wad en openheid van het landschap zijn belangrijk in zowel het complete model als het model na correctie voor grootschalige geografische variatie. Het belang van een aantal andere variabelen komt pas naar voren als eerst wordt gecorrigeerd voor grootschalige geografische variatie. Het gaat dan om gemiddelde maai-datum, voorkomen van grasland, beheerpakket subsidie-regeling natuurbeheer zeer soortenrijk weidevogelgrasland, minimale winterse drooglegging, en het beheerpakket subsidieregeling agrarisch natuurbeheer voor zowel laat als vroeg maaien.

BeheerEen vroege gemiddelde maaidatum (Fig. 2.3), nog voor half april, lijkt gunstig voor de dichtheid Scholeksters. Hoe is dit op het eerste gezicht merkwaardige resultaat mo-gelijk te verklaren? Scholeksters in het binnenland komen eerder tot broeden dan Scholeksters langs de kust, maar zelfs de binnenlandse Scholeksters leggen zelden voor half april. Dat betekent dat het gunstige effect samen zou kunnen hangen met het feit dat er wordt gemaaid voordat de Scholeksters eieren hebben. Een alternatieve verklaring is dat er geen sprake is van maaien, maar van begrazing en dat Scholeksters terrein prefereren waar al vroeg begrazing plaatsvindt.

De aanwezigheid van grasland (Fig. 2.6) heeft een positief effect op de dichtheid Scholeksters. In grasland kunnen de vogels naar wormen en emelten zoeken voor zichzelf en voor hun jongen. Scholeksters broeden graag op kale akkers, maar het voedselaanbod op zulke akkers zou wel eens veel beperkter kunnen zijn dan het voedselaanbod in grasland. We kennen geen systematische onderzoe-kingen naar het foerageergedrag van Scholeksters met jongen in agrarisch gebied. Er zijn wel waarnemingen dat Scholeksters die in Drenthe op akkers broeden met hun jongen naar nabijgelegen paardeweitjes trekken om ze daar te voeren (Bert Dijkstra & Rinus Dillerop, pers. med.).

Vanuit het oogpunt van beheer is het bemoedigend dat hoge Scholeksterdichtheden gerelateerd kunnen worden aan de subsidieregeling natuurbeheer zeer soortenrijk wei-devogelgrasland en de beheerpakketten subsidieregeling agrarisch natuurbeheer. Het is wel merkwaardig dat bij deze subsidieregeling zowel vroeg- als laat maaien posi-tief lijkt uit te pakken. Dit kan te maken hebben met het feit dat voor de analyse verschillende pakketten moesten worden samengenomen tot een beperkt aantal groepen (Tabel A1 in bijlage A), omdat anders geen statistische analyse mogelijk was.

(Winterse) DroogleggingEr is een zeer duidelijk effect van winterse drooglegging (Fig. 2.4). Hoe groter de minimale winterse droogleg-ging, dus hoe verder het waterpeil in de winter onder het maaiveld, hoe minder Scholeksters. Deze negatieve relatie is zichtbaar voor grondwaterstanden tussen 0 en 1 meter onder het maaiveld. Voor lagere grondwaterstanden is er geen duidelijk verband meer met de Scholekster dichthe-den. Mogelijk is er meer voedsel in het voorjaar naarmate een perceel minder ver wordt drooggelegd, of is het aan-wezige voedsel beter beschikbaar.

Andere ecologische factoren (perceelgrootte, bemesting, geluid, etc.) lijken weinig of geen invloed te hebben op de huidige dichtheid.

In tegenstelling tot het complete model laat de analyse van de residuen van het “geografische model” geen be-langrijke effecten zien van het voorkomen van predatoren. Dit zien we als een bevestiging dat de gevonden correla-ties niet berusten op oorzakelijke verbanden.

trenD

Voor de analyse van de trend in aantallen kon maar een klein deel van de data gebruikt worden: alleen kwadranten met voldoende hoge begindichtheid. Trendmodellering in gebieden met lage dichtheden bleek niet goed mogelijk. Dit hangt mogelijk samen met het gebruik van kernels met een te kleine doorsnede. Om tot betere resultaten te komen wordt aanbevolen voor toekomstige berekeningen een kernel met een grotere doorsnede dan 250 m te ge-bruiken. Dit zal leiden tot een grotere ruimtelijke uitsme-ring van de dichtheden en zal de frequentie van 0 en 1 bij de berekening van de trend index verminderen.

Afstand tot het wadAnders dan bij de dichtheid zijn er geen duidelijke geo-grafische patronen in de ruimtelijke autocorrelatie op verschillende schalen. Dit wordt bevestigd door het ge-ringe belang van geografische variabelen in het “complete model” en het feit dat het “geografische model” duidelijk slechter is dan het “complete model”. Om die reden zijn we geneigd de uitkomsten van het “complete” model als het meest betrouwbaar in te schatten.

In het “complete” model is afstand tot het wad de be-langrijkste variabele (Fig. 2.10). De trend in aantallen is negatiever naarmate de afstand tot het wad groter is. Dit effect is zichtbaar tot een afstand van ongeveer 60 km, en is daarmee in dezelfde orde van grootte als eerder ge-vonden werd voor het effect op de dichtheid broedparen. De discussie over de onderliggende reden voor het grote belang van een korte afstand tot het wad is reeds in de vorige paragraaf gevoerd.


31

Openheid van het landschapOpenheid van het landschap (Fig. 2.2) is niet alleen gun-stig voor de dichtheid Scholeksters, maar in open land-schappen is ook minder vaak sprake van een negatieve trend. Het zou goed kunnen dat openheid van het land-schap bepalender is voor het risico dat de vogels denken te lopen dat hun nesten of kuikens gepredeerd worden, dan het daadwerkelijk voorkomen van de mogelijke pre-datoren. Winterse droogleggingEerder vonden we dat een hoog grondwaterpeil in de winter (Fig. 2.4) gunstig is voor de dichtheid Scholeksters. Hetzelfde geldt voor de trend. Als het grondwater ’s win-ters hoog staat is de trend minder negatief. We vermoe-den dat dit samenhangt met een gunstige uitwerking op de beschikbaarheid van het voedselaanbod in het voorjaar. In sterk uitgedroogde grond kruipen de regenwormen die-per weg en zijn dan minder beschikbaar.

Aanwezigheid blijvend graslandNegatieve trends in de aantallen broedende Scholeksters komen minder vaak voor in gebieden met veel blijvend grasland (Tabel A3 in bijlage A). Eerder vonden we dat de Scholekster dichtheden hoog waren in gebieden met veel grasland, dus zowel blijvend als tijdelijk en natuurlijk. Echter, het meeste grasland is blijvend, dus het voorkomen van blijvend grasland zal sterk gecorreleerd zijn met het voorkomen van grasland totaal. In de statistische ana-lyse zal het dan deels van toevallige factoren afhangen welke variabele als relevant wordt geselecteerd. Eerder bespraken we al waarom grasland zo belangrijk is voor Scholeksters tijdens de broedtijd.

Agrarisch natuurbeheerHet beheerpakket subsidieregeling agrarisch natuurbeheer laat maaien heeft een positief effect op de trends. Dit is een samenvoeging van een groot aantal verschillende beheerpakketten (Tabel A1 in bijlage A), waarbij de eerste maaidatum varieert tussen 7 juni en 22 juni. Daarnaast valt onder dit regime ook plasdras tot 14 april of 14 mei. Welke maaidatum optimaal is kan hieruit niet worden af-geleid, al zou je verwachten dat een late maaidatum altijd gunstiger is. De verschillende beheerpakketten moesten samengenomen worden om statistische analyse mogelijk te maken. Bij de analyse van de dichtheden vonden we dat naast laat maaien, ook het vroege maaien (22 of 31 mei) een gunstig effect leek te hebben op de dichtheden, maar in het geval van de analyse van de trends is hiervoor geen enkele aanwijzing. Het positieve effect van het vroe-ge maaien van grasland is waarschijnlijk het gevolg van de verstrengeling van deze variabele met de aanwezigheid van grasland in het algemeen; een andere optie is dat juist de combinatie van vroeg en laat gemaaid grasland gunstig is voor de Scholekster.

PredatorenVolgens de analyse zou een lage kans op het voorkomen van de Bunzing samengaan met een minder negatieve trend in de aantallen Scholeksterbroedparen. Enerzijds is dit wat je zou verwachten, maar anderzijds is de vorm van de relatie nogal abrupt en de onderliggende kansenkaart voor de Bunzing lijkt ook niet erg realistisch (de hoog-ste dichtheden liggen nabij snelwegen, waar de dieren waarschijnlijk worden aangereden en zo kunnen worden vastgesteld). Vooralsnog lijkt het ons aannemelijk dat de gevonden relatie het gevolg is van toeval en niet berust op een oorzakelijk verband.

Nadere beschouwing van de modellering van de kans op het voorkomen van predatorenEieren en kuikens van weidevogels zijn kwetsbaar voor predatie door zoogdieren en vogels. Van een aantal predatoren is ook vrij zeker dat de aantallen zijn toege-nomen. Indien de toename van het aantal predatoren zou inhouden dat de predatie is toegenomen, dan zou dit een oorzaak zou kunnen zijn van de afname in de Scholeksterstand. Om die reden is het voorkomen van de meest aannemelijke potentiële predatoren voor zover mogelijk meegenomen in de analyse. In een aantal geval-len levert dit aanwijzingen voor een verband. Echter, het verband is vaak niet wat je zou verwachten, namelijk hoe meer predatoren, hoe minder Scholeksters of hoe sterker de afname van de dichtheid Scholeksters. Om die reden denken we dat hier sprake is van toeval. Daarvoor zijn een aantal verklaringen mogelijk, die deels al eerder zijn aan-gestipt:

1. Het landschap is mogelijk bepalender voor het predatie-risico dan de daadwerkelijke dichtheid aan predatoren. Hoe opener het gebied, hoe moeilijker het is voor pre-datoren, om ongezien het nest te bereiken. Dit effect zou wel eens belangrijker kunnen zijn dan de kans dat de verschillende predatoren daadwerkelijk in het gebied voorkomen.

2. Sommige kaarten geven mogelijk geen goed beeld van de verspreiding van de predatoren. Dit betreft met name de kaarten van de zoogdieren, die veel moeilij-ker te inventariseren zijn dan de vogels, omdat ze vaak nachtactief zijn. Daarbij is de trefkans om een poten-tiële predator als de bunzing aan te treffen langs lijn-vormige elementen zoals wegen groter, dan hierbuiten (zie ook hierboven).

3. De plaatsen waar de vliegende predatoren broe-den zijn niet noodzakelijkerwijs ook de plaatsen waar zij de hoogste predatiedruk uitoefenen. Kleine Mantelmeeuwen kunnen tientallen kilometers afleg-gen op een enkele voedselvlucht, dus het feit dat Scholeksters in een gridcell broeden waar geen Kleine Mantelmeeuwen broeden betekent niet dat hun nesten en kuikens geen enkel risico lopen om gepredeerd te worden door Kleine Mantelmeeuwen.


32


33

5. Conclusies

Uit het onderzoek kunnen een aantal conclusies worden getrokken die voor beheer en bescherming van belang zijn:

1. Er zijn een aantal beïnvloedbare omgevingsvariabelen die zowel voorspellend zijn voor hoge dichtheden broed-paren als voor een “positieve” of in ieder geval “minder negatieve” trendontwikkeling. Het gaat om:- openheid van het landschap (Fig. 2.2): hoe opener het

landschap, hoe beter het is voor de Scholeksters- een grote bedekking met (blijvend) grasland: hoe meer

grasland, hoe beter het is voor de Scholeksters, waarbij vooral blijvend grasland (Fig. 2.6) van belang is

- een minimale winterse drooglegging (Fig. 2.4): hoe minder ver het grondwater ’s winters onder het maai-veld staat, hoe beter het is voor de Scholeksters

- het beheerpakket subsidieregeling agrarisch natuurbe-heer laat maaien (Tabel A2 in bijlage A): een aange-paste, uitgestelde maaidatum lijkt belangrijk, maar of ook geldt dat hoe later maaien hoe beter het is voor de Scholeksters kan nog niet worden gezegd

Om het agrarisch landschap geschikt te houden of ge-schikter te maken voor Scholeksters ligt het dus voor de hand om de openheid en het areaal (blijvend) grasland te vergroten. Bij het beheer verdient het aanbeveling om te streven naar een zo klein mogelijke winterse drooglegging en aanpassingen van het maairegime.

2. De dichtheid in het binnenland broedende Scholeksters is hoger dicht bij de kust en ook de afname in dichtheid verloopt er minder snel. Wanneer een prioritering in be-schermingsinspanning gemaakt zou moeten worden, dan ligt het voor de hand die inspanning vooral te richten op agrarische gebieden in de buurt van het kustgebied. De provincies Groningen, Friesland, Noord-Holland, Zuid-Holland, Zeeland en Noord-Brabant hebben hierbij een speciale verantwoordelijkheid.

3. Of predatie een belangrijke factor is in de achteruitgang van de Scholekster blijft onduidelijk. De hier gekozen aan-pak lijkt bij nader inzien minder geschikt om een antwoord te krijgen op deze vraag.

4. De bovenstaande conclusies zijn gebaseerd op resul-taten van correlatief onderzoek. Hoewel de gevonden relaties duidelijke aanwijzingen geven voor inrichting en beheer van het agrarische gebied, is het niet zo dat we de achtergrond van de verschillende relaties volkomen be-grijpen. Het is daarom verstandig om nader onderzoek te doen naar de causaliteit van de gevonden verbanden.


34


35

6. Literatuur

BIVAND R.S., PEBESMA E.J. & GÓMEZ-RUBIO V. 2008. Applied Spatial Data Analysis with R. Springer, New York.

DIAMONDJ.M.&MAYR.M.1977.Speciesturnoverrateson islands: dependence on census interval. SCIENCE 197:266-270.

DIJKSTRA H. & VAN LITH-KRANENDONK J. 2000. Schaalkenmerken van het landschap in Nederland. Alterra, Wageningen.

DRAYS.,PÉLISSIERR.,COUTERONP.,FORTINM.-J.,LEGENDRE P., PERES-NETO P.R., BELLIER E., BIVAND R., BLANCHET F.G., DE CÁCERES M., DUFOUR A.-B., HEEGAARD E., JOMBART T., MUNOZ F., OKSANEN J., THIOULOUSE & WAGNER H.H. 2012. Community eco-logy in the age of multivariate multiscale spatial analy-sis. Ecological Monographs 82:257-275.

ELITH J., LEATHWICK J.R. & HASTIE T. 2008. A working guide to boosted regression trees. Journal of Animal Ecology 2008, 77:802–813.

ENS B.J., AARTS B., HALLMANN C., OOSTERBEEK K., SIERDSEMA H., SLATERUS R., TROOST G., VAN TURNHOUT C., WIERSMA P. & VAN WINDEN E. 2011. Scholeksters in de knel: onderzoek naar de oorzaken van de dramatische achteruitgang van de Scholekster in Nederland. SOVON-Onderzoeksrapport 2011/13. SOVON Vogelonderzoek Nederland, Nijmegen.

ENS B.J., AARTS B., OOSTERBEEK K., ROODBERGEN M., SIERDSEMA H., SLATERUS R. & TEUNISSEN W. 2009. Onderzoek naar de oorzaken van de dramatische ach-teruitgang van de Scholekster in Nederland. Limosa 89:83-92.

ENS B.J., BERREVOETS C.M., BRUINZEEL L., BULT T., HAANSTRA L., HULSCHER J.B., KOKS B., VAN DE POL M., RAPPOLDT C., TEUNISSEN W.A. & VERHULST S. 2003. Synthese: wat veroorzaakt de huidige achteruit-gang van Scholeksters in Nederland? Limosa 76:34-38.

FRIEDMAN J.H. & MEULMAN J.J. 2003. Multiple addi-tive regression trees with application in epidemiology. Statistics in Medicine 22:1365–1381.

GIRAUDOUXP.2012.pgirmess:Dataanalysisinecology.

R package version 1.5.4. URL http://CRAN.R-project.org/package=pgirmess.

GUERRERO I., MORALES M.B., OÑATE J.J., GEIGER F., BERENDSE F., DE SNOO G., EGGERS S., PÄRT T., BENGTSSON J., CLEMENT L.W., WEISSER W.W., OLSZEWSKIA.,CERYNGIERP.,HAWROV.,LIIRAJ., AAVIK T., FISCHER C., FLOEHRE A., THIES C. & TSCHARNTKE T. 2012. Response of ground-nesting farmland birds to agricultural intensification across Europe: Landscape and field level management factors. Biological Conservation 152:74-80.

HALLMANN C. & SIERDSEMA H. 2012. TRIMmaps: a R package for the analysis of species abundance and distribution data. Manual, Sovon Vogelonderzoek Nederland.

HAWKINS B.A. 2012. Eight (and a half) deadly sins of spatial analysis. Journal of Biogeography 39:1-9

HULSCHER J.B. & VERHULST S. 2003. Opkomst en neer-gang van de Scholekster Haematopus ostralegus in Friesland in 1966-2000. Limosa 76:11-22.

KLEIJN D., BERENDSE F., SMIT R. & GILISSEN N. 2001. Agri-environment schemes do not effectively protect biodiversity in Dutch agricultural landscapes. Nature 413:723-725.

KLEIJN D., BERENDSE F., SMIT R., GILISSEN N., SMIT J., BRAK B. & GROENEVELD R. 2004. Ecological ef-fectiveness of agri-environment schemes in different agricultural landscapes in The Netherlands. Conservation Biology 18, 775-786.

KLEIJN D. 2013. De effectiviteit van Agrarisch Natuurbeheer. Rapport voor RLI, 23 bladzijden. Alterra, Wageningen.

LIPS M. 2011. Detection of grassland management in-tensity using satellite imagery to support the meadow bird protection. Thesis Report GIRS-2011-21. WUR, Wageningen.

LNV 1990. Natuurbeleidsplan. Regeringsbeslissing. Ministerie van Landbouw, Natuurbeheer en Visserij. Den Haag.

MEEUWSEN H.A.M. & JOCHEM R. 2011. Openheid van het landschap; Berekeningen met het model ViewScape. WOt-werkdocument 281. Wettelijke Onderzoekstaken Natuur & Milieu, Wageningen.


36

NEWTON I. 2004. The recent declines of farmland bird populations in Britain: an appraisal of causal factors and conservation actions. Ibis 146:579–600.

R DEVELOPMENT CORE TEAM 2011. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Wenen, Oostenrijk. URL http://www.R-project.org/.

RIDGEWAYG.2012.gbm:GeneralizedBoostedRegression Models. R package version 1.6-3.2.

URL http://CRAN.R-project.org/package=gbm.

SCHOTMAN A.G.M., KIERS M.A. & MELMAN T.C.P. 2007. Onderbouwing Grutto-geschiktheidkaart; Ten behoeve van Grutto-mozaïkmodel en voor identificatie van wei-devogelgebieden in Nederland. Alterra, Wageningen.

TEUNISSEN W.A., ALTENBURG W. & SIERDSEMA H. 2005. Toelichting op de Gruttokaart van Nederland 2004. SOVON Vogelonderzoek Nederland & Altenburg & Wymenga ecologisch onderzoek bv., Beek-Ubbergen.

TEUNISSEN W.A., vAN PAASSEN A., NIENHUIS J. & SIERDSEMA H. 2013. Weidevogelbalans 2013. Sovon Vogelonderzoek Nederland, Nijmegen.

TEUNISSEN W.A., SCHOTMAN A.G.M., BRUINZEEL L.W., TEN HOLT H., OOSTERVELD E.O., SIERDSEMA H.,WYMENGAE.&MELMANT.C.P.2012.Opnaar kerngebieden voor weidevogels in Nederland. Werkdocument met randvoorwaarden en handreiking. Wageningen, Alterra, Alterra-rapport 2344. Nijmegen Sovon Vogelonderzoek Nederland, Sovon-rapport 2012/21, Feanwâlden, Altenburg & Wymenga eco-logisch onderzoek, A&W- rapport 1799. 144 blz.; 63 fig.; 22tab.; 76 ref

VAN ‘T VEER R., SIERDSEMA H., MUSTERS C.J.M., GROEN N. & TEUNISSEN W. 2008. Weidevogels op land-schapsschaal, ruimtelijke en temporele veranderingen. Ministerie van Landbouw, Natuur en Voeselkwaliteit; directie kennis Ede.

WILLEMS F, BREEUWER A, FOPPEN R, TEUNISSEN W, SCHEKKERMAN H, GOEDHART P, KLEIJN D, BERENDSE F. 2004. Evaluatie Agrarisch Natuurbeheer: effecten op weidevogeldichtheden. Sovon Onderzoekrapport 2004/02. Sovon, Beek-Ubbergen.


37

BijlagenBijlage A.

Tabel A1. Relatie tussen de klassen van de variabele SANSN_TYP (in Tabel 2.2 aangeduid als Subsidieregeling Agrarisch (SAN) Natuurbeheer en Susidieregeling Natuurbeheer (SN)) en de onderliggende beheerpakkettendie samengenomen zijn tot een bepaalde klasse.

SANSN_TYP Pakket nr Pakket naam

SANSN-Gras 3061 Bont weilandSANSN-Gras 3062 Bont weilandSANSN-Gras 3063 Bont weilandSANSN-Gras 3065 Bont weilandSANSN-Gras 3066 Bont weilandSANSN-Gras 3067 Bont weilandSANSN-Laat_maaien 1805 Weidevogelgrasland met rustperiode 1 april t/m 7 juniSANSN-Laat_maaien 1806 Weidevogelgrasland met rustperiode 1 april t/m 14 juniSANSN-Laat_maaien 1807 Weidevogelgrasland met rustperiode 1 april t/m 21 juniSANSN-Laat_maaien 1808 Weidevogelgrasland met rustperiode 1 mei t/m 15 juniSANSN-Laat_maaien 1809 Weidevogelgrasland met rustperiode 8 mei t/m 22 juniSANSN-Laat_maaien 1811 Plas-dras voor weidevogels met inundatieperiode15 februari t/m 14 aprilSANSN-Laat_maaien 1812 Plas-dras voor weidevogels met inundatieperiode15 februari t/m 14 meiSANSN-Laat_maaien 1905 Weidevogelgrasland met rustperiode 1 april t/m 7 juniSANSN-Laat_maaien 1906 Weidevogelgrasland met rustperiode 1 april t/m 14 juniSANSN-Laat_maaien 1907 Weidevogelgrasland met rustperiode 1 april t/m 21 juniSANSN-Laat_maaien 1908 Weidevogelgrasland met rustperiode 1 mei t/m 15 juniSANSN-Laat_maaien 1909 Weidevogelgrasland met rustperiode 8 mei t/m 22 juniSANSN-Laat_maaien 1911 Plas-dras voor weidevogels met inundatieperiode15 februari t/m 14 aprilSANSN-Laat_maaien 1912 Plas-dras voor weidevogels met inundatieperiode15 februari t/m 14 meiSANSN-Laat_maaien 2005 Weidevogelgrasland met rustperiode 1 april t/m 7 juniSANSN-Laat_maaien 2006 Weidevogelgrasland met rustperiode 1 april t/m 14 juniSANSN-Laat_maaien 2007 Weidevogelgrasland met rustperiode 1 april t/m 21 juniSANSN-Laat_maaien 2008 Weidevogelgrasland met rustperiode 1 mei t/m 15 juniSANSN-Laat_maaien 2009 Weidevogelgrasland met rustperiode 8 mei t/m 22 juniSANSN-Laat_maaien 2011 Plas-dras voor weidevogels met inundatieperiode15 februari t/m 14 aprilSANSN-Laat_maaien 2012 Plas-dras voor weidevogels met inundatieperiode15 februari t/m 14 meiSANSN-Laat_maaien 2105 Weidevogelgrasland met rustperiode 1 april t/m 7 juniSANSN-Laat_maaien 2106 Weidevogelgrasland met rustperiode 1 april t/m 14 juniSANSN-Laat_maaien 2107 Weidevogelgrasland met rustperiode 1 april t/m 21 juniSANSN-Laat_maaien 2108 Weidevogelgrasland met rustperiode 1 mei t/m 15 juniSANSN-Laat_maaien 2109 Weidevogelgrasland met rustperiode 8 mei t/m 22 juniSANSN-Laat_maaien 2111 Plas-dras voor weidevogels met inundatieperiode15 februari t/m 14 aprilSANSN-Laat_maaien 2112 Plas-dras voor weidevogels met inundatieperiode15 februari t/m 14 meiSANSN-Laat_maaien 3041 Bonte hooiweideSANSN-Laat_maaien 3042 Bonte hooiweideSANSN-Laat_maaien 3043 Bonte hooiweideSANSN-Laat_maaien 3045 Bonte hooiweideSANSN-Laat_maaien 3046 Bonte hooiweideSANSN-Laat_maaien 3047 Bonte hooiweideSANSN-Laat_maaien 3121 Weidevogelgrasland met rustperiode 1 april t/m 7 juniSANSN-Laat_maaien 3122 Weidevogelgrasland met rustperiode 1 april t/m 7 juniSANSN-Laat_maaien 3123 Weidevogelgrasland met rustperiode 1 april t/m 7 juniSANSN-Laat_maaien 3125 Weidevogelgrasland met rustperiode 1 april t/m 7 juniSANSN-Laat_maaien 3126 Weidevogelgrasland met rustperiode 1 april t/m 7 juniSANSN-Laat_maaien 3127 Weidevogelgrasland met rustperiode 1 april t/m 7 juniSANSN-Laat_maaien 3131 Weidevogelgrasland met rustperiode 1 april t/m 14 juni


38


SANSN-Laat_maaien 3132 Weidevogelgrasland met rustperiode 1 april t/m 14 juniSANSN-Laat_maaien 3133 Weidevogelgrasland met rustperiode 1 april t/m 14 juniSANSN-Laat_maaien 3135 Weidevogelgrasland met rustperiode 1 april t/m 14 juniSANSN-Laat_maaien 3136 Weidevogelgrasland met rustperiode 1 april t/m 14 juniSANSN-Laat_maaien 3137 Weidevogelgrasland met rustperiode 1 april t/m 14 juniSANSN-Laat_maaien 3141 Weidevogelgrasland met rustperiode 1 april t/m 21 juniSANSN-Laat_maaien 3142 Weidevogelgrasland met rustperiode 1 april t/m 21 juniSANSN-Laat_maaien 3143 Weidevogelgrasland met rustperiode 1 april t/m 21 juniSANSN-Laat_maaien 3145 Weidevogelgrasland met rustperiode 1 april t/m 21 juniSANSN-Laat_maaien 3146 Weidevogelgrasland met rustperiode 1 april t/m 21 juniSANSN-Laat_maaien 3147 Weidevogelgrasland met rustperiode 1 april t/m 21 juniSANSN-Laat_maaien 3161 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 aprilSANSN-Laat_maaien 3162 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 aprilSANSN-Laat_maaien 3163 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 aprilSANSN-Laat_maaien 3165 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 meiSANSN-Laat_maaien 3166 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 meiSANSN-Laat_maaien 3167 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 meiSANSN-Laat_maaien 3171 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 aprilSANSN-Laat_maaien 3172 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 aprilSANSN-Laat_maaien 3173 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 aprilSANSN-Laat_maaien 3175 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 meiSANSN-Laat_maaien 3176 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 meiSANSN-Laat_maaien 3177 Plas-dras voor weidevogels met inundatieperiode van 15 februari t/m 14 meiSANSN-Overig gras 1816 Landschappelijk waardevol grasland regulier (niet maaien en weiden van 1 januari t/m 31 mei)SANSN-Overig gras 1817 Landschappelijk waardevol grasland jaarrond begrazingSANSN-Overig gras 1916 Landschappelijk waardevol grasland regulier (niet maaien en weiden van 1 januari t/m 31 mei)SANSN-Overig gras 1917 Landschappelijk waardevol grasland jaarrond begrazingSANSN-Overig gras 2016 Landschappelijk waardevol grasland regulier (niet maaien en weiden van 1 januari t/m 31 mei)SANSN-Overig gras 2017 Landschappelijk waardevol grasland jaarrond begrazingSANSN-Overig gras 2116 Landschappelijk waardevol grasland regulier (niet maaien en weiden van 1 januari t/m 31 mei)SANSN-Overig gras 2117 Landschappelijk waardevol grasland jaarrond begrazingSANSN-Overig gras 3011 Ontwikkeling kruidenrijk graslandSANSN-Overig gras 3012 Ontwikkeling kruidenrijk graslandSANSN-Overig gras 3013 Ontwikkeling kruidenrijk graslandSANSN-Overig gras 3015 Ontwikkeling kruidenrijk graslandSANSN-Overig gras 3016 Ontwikkeling kruidenrijk graslandSANSN-Overig gras 3017 Ontwikkeling kruidenrijk graslandSANSN-Overig gras 3021 Instandhouding kruidenrijk graslandSANSN-Overig gras 3022 Instandhouding kruidenrijk graslandSANSN-Overig gras 3023 Instandhouding kruidenrijk graslandSANSN-Overig gras 3025 Instandhouding kruidenrijk graslandSANSN-Overig gras 3026 Instandhouding kruidenrijk graslandSANSN-Overig gras 3027 Instandhouding kruidenrijk graslandSANSN-Overig gras 3031 Bont hooilandSANSN-Overig gras 3032 Bont hooilandSANSN-Overig gras 3033 Bont hooilandSANSN-Overig gras 3035 Bont hooilandSANSN-Overig gras 3036 Bont hooilandSANSN-Overig gras 3037 Bont hooilandSANSN-Overig gras 3051 Kruidenrijk weilandSANSN-Overig gras 3052 Kruidenrijk weilandSANSN-Overig gras 3053 Kruidenrijk weilandSANSN-Overig gras 3055 Kruidenrijk weilandSANSN-Overig gras 3056 Kruidenrijk weilandSANSN-Overig gras 3057 Kruidenrijk weiland


39


SANSN-Overig gras 3101 Landschappelijk waardevol grasland regulierSANSN-Overig gras 3102 Landschappelijk waardevol graslandSANSN-Overig gras 3103 Landschappelijk waardevol graslandSANSN-Overig gras 3105 Landschappelijk waardevol graslandSANSN-Overig gras 3106 Landschappelijk waardevol graslandSANSN-Overig gras 3107 Landschappelijk waardevol graslandSANSN-Overig gras 3108 Landschappelijk waardevol grasland jaarrond begrazingSANSN-Vroeg_maaien 1803 Weidevogelgrasland met rustperiode 1 april t/m 22 meiSANSN-Vroeg_maaien 1804 Weidevogelgrasland met rustperiode 1 april t/m 31 meiSANSN-Vroeg_maaien 1903 Weidevogelgrasland met rustperiode 1 april t/m 22 meiSANSN-Vroeg_maaien 1904 Weidevogelgrasland met rustperiode 1 april t/m 31 meiSANSN-Vroeg_maaien 2003 Weidevogelgrasland met rustperiode 1 april t/m 22 meiSANSN-Vroeg_maaien 2004 Weidevogelgrasland met rustperiode 1 april t/m 31 meiSANSN-Vroeg_maaien 2103 Weidevogelgrasland met rustperiode 1 april t/m 22 meiSANSN-Vroeg_maaien 2104 Weidevogelgrasland met rustperiode 1 april t/m 31 meiSANSN-Vroeg_maaien 3111 Weidevogelgrasland met rustperiode 1 april t/m 31 meiSANSN-Vroeg_maaien 3112 Weidevogelgrasland met rustperiode 1 april t/m 31 meiSANSN-Vroeg_maaien 3113 Weidevogelgrasland met rustperiode 1 april t/m 31 meiSANSN-Vroeg_maaien 3115 Weidevogelgrasland met rustperiode 1 april t/m 31 meiSANSN-Vroeg_maaien 3116 Weidevogelgrasland met rustperiode 1 april t/m 31 meiSANSN-Vroeg_maaien 3117 Weidevogelgrasland met rustperiode 1 april t/m 31 meiSN-Gras 4040 (Half)natuurlijk graslandSN-Gras 4175 Nat soortenrijk graslandSN-Gras 4185 Droog soortenrijk graslandSN-Gras 4186 Droog soortenrijk grasland (bloemdijk)SN-Gras 4235 Soortenrijk weidevogelgraslandSN-Gras 4245 Zeer soortenrijk weidevogelgrasland

Tabel A2. Relatie tussen de klassen van de variabele SBB_Type (in Tabel 2.2 aangeduid als Beheertypen van Staatsbosbeheer) en de bijbehorende beheerpakketten die tot de betreffende klasse zijn samengevoegd.

SBB_type SubNHLcode Subdoeltype

SBB-Natuurgras 9.6 Grazige ruigtenSBB-Natuurgras 8.2 Natte schraallandenSBB-Natuurgras 9.1 GlanshaverhooilandSBB-Natuurgras 9.2 Kamgrasweiden en zilverschoongraslandenSBB-Natuurgras 9.3 KalkgraslandenSBB-Natuurgras 9.4 Binnendijkse zilte graslandenSBB-Natuurgras 9.5 Droge schraallandenSBB-Natuurgras 10.1 Vochtig schraal graslandSBB-Natuurgras 10.2 VeenweideSBB-Overig gras 15.2 WintergastenweideSBB-Overig gras 18.2 BloemdijkenSBB-Overig gras 19.1 GrasSBB-Weidevogels 15.1 Weidevogelgrasland


40

Tabel A3. Relatie tussen de klassen van de variabele Gewascategorie en de bijbehorende gewascodes.

Gewascategorie variabele Gewascategorie Gewas-code GWS_GEWAS

Gras_blijvend Blijvend grasland 265 Grasland, blijvendGras_tijdelijk Tijdelijk grasland 266 Grasland, tijdelijkGras_tijdelijk Productiegrasland 1921 GraszodenNatuurlijk_gras Natuurlijk grasland 1905 Grasland natuurlijkNatuurlijk_gras Natuurlijk grasland 1905 Grasland, natuurlijk (max. 5 ton drogestof per ha.), tenminsNatuurlijk_gras Natuurlijk grasland 1905 Grasland, natuurlijk, minder dan 50% van de oppervlakte bedeNatuurlijk_gras Natuurlijk grasland 1905 Grasland, natuurlijk, voor 50- 75% van de oppervlakte bedektNatuurlijk_gras Natuurlijk grasland 2302 Natuurlijk grasland (begraasd) met beperkte landbouwact.Natuurlijk_gras Natuurlijk grasland 2302 Natuurlijk grasland met hoofd functie landbouwWintergranen Wintergranen 233 Tarwe, winter-Wintergranen Wintergranen 235 Gerst, winter-Wintergranen Wintergranen 237 Rogge (geen snijrogge)Wintergranen Wintergranen 314 TriticaleZomergranen Zomergranen (incl graansorgo en overige granen) 234 Tarwe, zomer-Zomergranen Zomergranen (incl graansorgo en overige granen) 236 Gerst, zomer-Zomergranen Zomergranen (incl graansorgo en overige granen) 238 HaverZomergranen Zomergranen (incl graansorgo en overige granen) 658 GraansorghoZomergranen Zomergranen (incl graansorgo en overige granen) 660 Gierst


41

Bijlage I. Toelichting kernel-density berekeningen

De klassieke manier voor het maken van dichtheidskaarten is het gebied opdelen in vakjes of deelgebiedjes met meer natuurlijke grenzen. Per vakje of deelgebiedje wordt de dichtheid (= aantal waarnemingen gedeeld door de oppervlakte) berekend en dan ruimtelijk weergegeven in een kaart. Het nadeel van deze methodiek bij het gebruik van vierkante hok-ken (‘grids’) is dat bij te grote vakken (bijvoorbeeld kilometerhokken) er een erg blokkerige kaartbeeld ontstaat met wei-nig detailinformatie. Het gebruik van kleine grids levert een meer gedetailleerde kaart op, maar heeft als nadeel dat er erg grote variaties op korte afstand kunnen ontstaan doordat er toevallig net wat meer of minder waarnemingen in een vakje terechtkomen.

Dichtheidskaarten gebaseerd op natuurlijke eenheden geven veelal een meer natuurlijk beeld, maar zijn afhankelijk van de gekozen indeling. En misschien sluit die indeling wel helemaal niet of slecht aan bij de manier waarop de soort het landschap ervaart: ook dan is de resulterende dichtheidskaart weinig informatief.

Een alternatieve manier om dichtheidskaarten te maken is door alleen uit te gaan van de locaties van de waarnemingen. Om elke waarneming wordt dan een cirkel getrokken van een vooraf op te geven oppervlakte. Een cirkel met een straal van 564 meter heeft een oppervlakte van precies 1 km2. De dichtheden die zo worden berekend komen dan precies overeen met het gebruik van een grid van 1x1 km. Wanneer nu een kleinere cirkel wordt gebruikt (in de voorbeelden hieronder 250 meter), kunnen de dichtheden nog steeds worden weergeven in waarnemingen per km2, maar ze worden dan vanzelfsprekend hoger. Voor het maken van de dichtheidskaarten is uitgegaan van een straal van 125 meter rondom elke waarneming. Wanneer nu 2 punten minder dan 250 meter uit elkaar liggen, wordt de dichtheid in het overlappende gebied twee maal zo hoog. Een kaart gebaseerd op deze ‘simple density’-methode van nog wat meer punten laat al snel zien waar lagere en hogere dichtheden voorkomen. Het nadeel van deze ‘simple density’-methode is echter dat het resultaat snel nogal onnatuurlijk oogt. Maar wat zeker zo belangrijk is: de methode heeft als nadeel dat de dicht-heid langs de grenzen wordt onderschat en het centrum van de waarnemingen wordt overschat. Om dit nadeel op te vangen is de zgn. kernel-density methode bedacht. Bij deze methode neemt het ‘gewicht’ van de waarneming af met de afstand en wel meestal met een normale verdeling. Een dichtheidskaart die op deze manier wordt gemaakt heeft de hoogste dichtheid bij de waarneming zelf en neemt langzaam af met de afstand. In een dichtheidskaart gemaakt met twee dan wel meer waarnemingen zijn de overgangen in dichtheid daarom ook veel vloeiender. Zeker zo belangrijk is, dat de gebieden met hoge dichtheden beter aansluiten bij de waarneming: er zijn minder rand- en centruminvloeden.


42


43

Bijlage II. Modelevaluatie

Voor de evaluatie van BRT-modellen wordt het volgende statistische gereedschap gebruiktBepaling van de kwaliteit van de modellen:

Scatterplots en histogrammenScatterplots tonen het verband tussen werkelijke waarden (observed values) en de door het model gefitte waarden (fitted values); met de histogrammen kunnen de verdelingen van werkelijke waarden (observed values) en de door het model gefitte waarden (fitted values) worden vergeleken.

Statistische kentallenDaarnaast gebruiken we de volgende statistische kentallen om de kwaliteit van het model te bepalen:• Explained deviance – drukt de verklarende waarde van een model uit als een percentage van een ‘verzadigde

model’ (saturated model = een model met een parameter voor elke waarneming zodanig dat alle waarnemingen exact kunnen worden gemodelleerd)

• MAE(mean absolute error) = gemiddelde van de absolute afwijking tussen waargenomen en gemodelleerde waar-den – een maat voor de precisie (nauwkeurigheid) van een model; hoe kleiner de MAE en relatie tot de waarge-nomene waarden hoe nauwkeuriger de gemodellerde waarden

• MFE(mean forecast error) = gemiddelde afwijking tussen waargenomen en gemodelleerde waarden – een maat voor de afwijking (bias) van het model; hoe dichterbij nul hoe minder bias

• r–Pearsoncorrelatiecoëfficiënttussenwaargenomenengemodelleerdewaarden


44

Bijlage III. Voorbeeld voor een partial dependence plot

Partial dependence plots tonen het effect van een verklarende variabele op de responsvariabele, rekening houdend met de gemiddelde effecten van alle andere verklarende variabelen in het model. Op de y-as van de grafiek staat niet de af-hankelijke variabele, maar de mate waarin de omgevingsvariabele van invloed is op veranderingen in de afhankelijke vari-abele ofwel in andere woorden, het relatieve belang. Hoe groter het verschil is tussen minimum waarde en de maximum waarde op de y-as (de ‘amplitude’), hoe groter het relatieve belang van deze variabele is.

Dit is een voorbeeld met fictieve waarden om te helpen bij lezen en interpreteren van de partial dependence plots in het rapport.

AlsalleanderenverklarendevariabelenbehalvevariabeleX1gemiddeldewaardenhebben,dankandeafhankelijkevari-abeleYafhankelijkvandewaardenvanX1waardentussen0.5en2.5aannemen(bovenstefiguur).AlsX1lagerisdan190,isookYlaag,maarblijftconstantop0.5ongeachtofX1nu110of190is.AlsX1hogerisdan190,isereenmeerofminderlineaireverbandtussenX1enY,enbijdemaximalewaardevanX1bereiktookYdehoogstmogelijkewaarden.

YheefteenandereamplitudealsX2magvariërenenalleanderenverklarendevariabelenenconstantegemiddeldewaardehebben(onderstefiguur).X2heeftminderinvloedopdewaardenvanYdanX1(kleineramplitude)endever-bandtussenX2enYheefteenandervorm(gemiddeldewaardenvanX2veroorzakendehoogstewaardenvanY).


45

Bijlage IV. Evaluatie van het “complete model” voor huidige dichtheden

Het model verklaart de waarnemingen vrij goed, met een hoge explained deviance (48,8%), een lage afwijking en hoge correlatie tussen waargenomen en gemodelleerde dichtheid (MAE = 2.7, r = 0.80, Fig. IV.1 links) en een lage bias (MFE = -0.0003). Plots met dichtheid nul kunnen echter niet goed worden voorspeld en worden iets te hoog geschat (Fig. Fig. IV.1 rechts).

Figuur IV.1. Verband tussen waargenomen en gemodelleerde huidige dichtheid (links) en frequentieverdeling van waarge-nomen en gemodelleerde huidige dichtheid (rechts), gebaseerd op het complete model.


46

Bijlage V. Evaluatie van het “geografische model” voor huidige dichtheden

Ook dit model is vrij goed, al is de explained deviance (37,7%) en correlatie tussen waargenomen en gemodelleerde dichtheden (r = 0,63) iets lager dan bij het complete model. De MAE (2,1) en de MFE (0,001) zijn iets lager, wat wijst op een iets betere precisie en lagere bias. Hoge en lage uitschieters in dichtheid worden door dit model echter minder goed voorspeld (Fig V.1).

Figuur V.1. Verband tussen waargenomen en gemodelleerde huidige dichtheid (links) en frequentieverdeling van waarge-nomen en gemodelleerde huidige dichtheid (rechts), gebaseerd op het geografische model.

Het model dat de residuen van het geografische model verklaart presteert duidelijk minder goed dan het complete en het geografische model, maar dat is omdat het geografische model al een groote deel van de variatie van de dicht-heidsgegevens verklaart. De MAE is vrij klein (1,17), de MFE bijna nul (0,0001), de correlatie redelijk (r = 0,41), maar de explained deviance (15,3%) is laag en de uitschieters van de residuen kunnen niet goed worden gemodelleerd (Fig. V.2).

Figuur V.2. Verband tussen waargenomen en gemodelleerde residuen (links) en frequentieverdeling van waargenomen en gemodelleerde residuen (rechts) van het geografische model van huidige dichtheid.


47

Bijlage VI. Evaluatie van het “complete model” voor de trend

Het complete model voor de trend is redelijk goed (explained deviance: 38,2 %, r: 0.65, MAE: 0.24, MFE -0.00009), maar extreme waarden (zowel sterk negatieve als sterk positieve trends) worden niet goed gemodelleerd; de gemodel-leerde trends vertonen veel minder variatie (Fig. VI.1).

Figuur VI.1. Verband tussen waargenomen en gemodelleerde trend (links) en frequentieverdeling van waargenomen en gemodelleerde trend (rechts), gebaseerd op het complete model.


48

Bijlage VII. Evaluatie van het “geografische model” voor de trend

Het model met alleen geografische variabelen is duidelijk slechter (explained deviance: 26,6%, MAE: 0.27, MFE: -0,0000005, RMSE: 0,32 en r: 0,53) dan het complete model. Geografische patronen alléén zijn geen goede voor-spellers zijn voor de trend (Fig. VII.1). Net als bij het complete model worden extreme waarden niet goed voorspeld en vertonen de voorspelde trends zeer weinig variatie.

Figuur VII.1. Verband tussen waargenomen en gemodelleerde trend (links) en frequentieverdeling van waargenomen en gemodelleerde trend (rechts), gebaseerd op het geografische model.

De residuen van het geografische model kunnen niet heel goed worden verklaard (explained deviance = 19,2%, MAE = 0.24, MFE = -0,00001, RMSE = 0,29, r = 0,52). Dit geldt nog sterker voor de extremen (Fig. VII.2).

Figuur VII.2. Verband tussen waargenomen en gemodelleerde residuen (links) en frequentieverdeling van waargenomen en gemodelleerde residuen (rechts) van het geografische trend model.


49

Sovon Vogelonderzoek Nederland

Postbus 65216503 GA NijmegenToernooiveld 16525 ED NijmegenT (024) 7 410 410

E [email protected] www.sovon.nl

Kampichler et al.



et al. Ruimtelijke analyses van dichtheden en trends van ... · ZKN = Zeekleigebied Noord, HZN =...

Documents

Transcript of et al. Ruimtelijke analyses van dichtheden en trends van ... · ZKN = Zeekleigebied Noord, HZN =...